論文の概要: Modeling User Behavior With Interaction Networks for Spam Detection

• arxiv url: http://arxiv.org/abs/2207.10767v1
• Date: Thu, 21 Jul 2022 21:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:49:35.908004
• Title: Modeling User Behavior With Interaction Networks for Spam Detection
• Title（参考訳）: スパム検出のためのインタラクションネットワークによるユーザ行動のモデル化
• Authors: Prabhat Agarwal, Manisha Srivastava, Vishwakarma Singh, Charles Rosenberg
• Abstract要約: Spamは、Webスケールのデジタルプラットホームを悩ませる深刻な問題だ。 本稿では,新しいグラフフレームワーク上でのスパム検出モデルSEINEを提案する。 我々のモデルは、エッジタイプや属性とともに近隣を考慮し、幅広いスパマーを捕捉することができる。
• 参考スコア（独自算出の注目度）: 4.795582035438343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spam is a serious problem plaguing web-scale digital platforms which facilitate user content creation and distribution. It compromises platform's integrity, performance of services like recommendation and search, and overall business. Spammers engage in a variety of abusive and evasive behavior which are distinct from non-spammers. Users' complex behavior can be well represented by a heterogeneous graph rich with node and edge attributes. Learning to identify spammers in such a graph for a web-scale platform is challenging because of its structural complexity and size. In this paper, we propose SEINE (Spam DEtection using Interaction NEtworks), a spam detection model over a novel graph framework. Our graph simultaneously captures rich users' details and behavior and enables learning on a billion-scale graph. Our model considers neighborhood along with edge types and attributes, allowing it to capture a wide range of spammers. SEINE, trained on a real dataset of tens of millions of nodes and billions of edges, achieves a high performance of 80% recall with 1% false positive rate. SEINE achieves comparable performance to the state-of-the-art techniques on a public dataset while being pragmatic to be used in a large-scale production system.
• Abstract（参考訳）: Spamは、ユーザのコンテンツ作成と配布を容易にするWebスケールのデジタルプラットフォームを悩ませる深刻な問題である。 プラットフォームの整合性、レコメンデーションや検索などのサービスのパフォーマンス、ビジネス全体のパフォーマンスを損なう。 スパマーは、非スパマーと異なる様々な虐待的および回避的行動に関与する。 ユーザの複雑な振る舞いは、ノード属性とエッジ属性が豊富な異種グラフによってうまく表現できる。 webスケールプラットフォームのためのそのようなグラフでスパマーを識別する学習は、その構造的複雑さとサイズのために難しい。 本稿では,新しいグラフフレームワーク上でのスパム検出モデルであるSEINE(Spam Detection using Interaction NEtworks)を提案する。 我々のグラフは、リッチユーザの詳細と振る舞いを同時にキャプチャし、数十億規模のグラフで学習することができる。 我々のモデルは、エッジタイプや属性とともに近隣を考慮し、幅広いスパマーを捕捉することができる。 数千万のノードと数十億のエッジの実際のデータセットに基づいてトレーニングされたSEINEは、80%のリコールと1%の偽陽性率のハイパフォーマンスを実現する。 SEINEは、大規模なプロダクションシステムでの使用が現実的でありながら、パブリックデータセットの最先端技術に匹敵するパフォーマンスを実現している。

関連論文リスト

• Synergistic Signals: Exploiting Co-Engagement and Semantic Links via Graph Neural Networks [4.261438296177923]
  この問題をNetflixのコンテキストレコメンデータシステムで研究する。 本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。 1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
  論文  参考訳（メタデータ） (2023-12-07T06:29:26Z)
• Instant Representation Learning for Recommendation over Large Dynamic Graphs [29.41179019520622]
  動的多重多元グラフのための新しいグラフニューラルネットワークSUPAを提案する。 新しいエッジごとに、SUPAは影響のあるサブグラフをサンプリングし、2つの対話ノードの表現を更新し、その相互作用情報をサンプリングされたサブグラフに伝達する。 SuPAをオンラインでインクリメンタルにトレーニングするために、大規模な動的グラフのシングルパストレーニングのための効率的なワークフローであるInsLearnを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:36:10Z)
• Audience Expansion for Multi-show Release Based on an Edge-prompted Heterogeneous Graph Network [5.8720142291102135]
  エッジプロンプト不均質グラフネットワークに基づく2段階のオーディエンス拡張スキームを提案する。 オフラインの段階では、グラフを構築するために、ユーザIDと番組の特定のサイド情報の組み合わせがノードとして選択される。 オンライン段階では、クリック/ビューユーザを含む後続データをシードとして使用して、類似ユーザを探す。
  論文  参考訳（メタデータ） (2023-04-08T15:14:32Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• SIGN: Scalable Inception Graph Neural Networks [4.5158585619109495]
  本稿では,グラフサンプリングの必要性を助長する,効率的でスケーラブルなグラフ深層学習アーキテクチャを提案する。 私たちのアーキテクチャでは、異なるローカルグラフ演算子を使用して、そのタスクに最も適しています。 我々は,1億1000万のノードと15億のエッジを持つ,最大の公開グラフデータセットであるogbn-papers100Mについて,最先端の結果を得た。
  論文  参考訳（メタデータ） (2020-04-23T14:46:10Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。