論文の概要: RF-GNN: Random Forest Boosted Graph Neural Network for Social Bot Detection

• arxiv url: http://arxiv.org/abs/2304.08239v1
• Date: Fri, 14 Apr 2023 00:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 15:17:05.014045
• Title: RF-GNN: Random Forest Boosted Graph Neural Network for Social Bot Detection
• Title（参考訳）: RF-GNN:社会的ボット検出のためのランダムフォレスト強化グラフニューラルネットワーク
• Authors: Shuhao Shi, Kai Qiao, Jie Yang, Baojie Song, Jian Chen, Bin Yan
• Abstract要約: ソーシャルメディア上に多数のボットが存在することは、有害な影響をもたらす。 本稿では、RF-GNNと呼ばれるソーシャルボット検出のためのランダムフォレスト強化グラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 10.690802468726078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The presence of a large number of bots on social media leads to adverse effects. Although Random forest algorithm is widely used in bot detection and can significantly enhance the performance of weak classifiers, it cannot utilize the interaction between accounts. This paper proposes a Random Forest boosted Graph Neural Network for social bot detection, called RF-GNN, which employs graph neural networks (GNNs) as the base classifiers to construct a random forest, effectively combining the advantages of ensemble learning and GNNs to improve the accuracy and robustness of the model. Specifically, different subgraphs are constructed as different training sets through node sampling, feature selection, and edge dropout. Then, GNN base classifiers are trained using various subgraphs, and the remaining features are used for training Fully Connected Netural Network (FCN). The outputs of GNN and FCN are aligned in each branch. Finally, the outputs of all branches are aggregated to produce the final result. Moreover, RF-GNN is compatible with various widely-used GNNs for node classification. Extensive experimental results demonstrate that the proposed method obtains better performance than other state-of-the-art methods.
• Abstract（参考訳）: ソーシャルメディア上に多数のボットが存在することは、有害な影響をもたらす。 ランダムフォレストアルゴリズムはボット検出に広く使われており、弱い分類器の性能を大幅に向上させることができるが、アカウント間の相互作用は利用できない。 本稿では、ランダムな森林構築のためにグラフニューラルネットワーク(GNN)をベース分類器として利用し、アンサンブル学習とGNNの利点を効果的に組み合わせ、モデルの精度と堅牢性を向上する、社会的ボット検出のためのランダムフォレスト強化グラフニューラルネットワーク(RF-GNN)を提案する。 具体的には、ノードサンプリング、特徴選択、エッジドロップアウトを通じて、異なるトレーニングセットとして異なるサブグラフを構築する。 次に、GNNベース分類器を様々なサブグラフを用いて訓練し、残りの特徴をFCN(Fully Connected Netural Network)のトレーニングに利用する。 GNNとFCNの出力は各ブランチに整列される。 最後に、すべてのブランチの出力を集約して最終結果を生成する。 さらに、RF-GNNはノード分類のために広く使われているGNNと互換性がある。 提案手法は,他の最先端手法よりも優れた性能が得られることを示す。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• GNN-Ensemble: Towards Random Decision Graph Neural Networks [3.7620848582312405]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに広く応用されている。 GNNは、大量のテストデータに基づいて推論を行うために、限られた量のトレーニングデータから潜伏パターンを学習する必要がある。 本稿では、GNNのアンサンブル学習を一歩前進させ、精度、堅牢性、敵攻撃を改善した。
  論文  参考訳（メタデータ） (2023-03-20T18:24:01Z)
• Higher-order Sparse Convolutions in Graph Neural Networks [17.647346486710514]
  グラフ信号のソボレフノルムに基づく新しい高次スパース畳み込みを導入する。 S-SobGNNは、最先端のいくつかの手法と比較して、全てのアプリケーションで競合性能を示す。
  論文  参考訳（メタデータ） (2023-02-21T08:08:18Z)
• Over-Sampling Strategy in Feature Space for Graphs based Class-imbalanced Bot Detection [10.882979272768502]
  オンラインソーシャルネットワーク(OSN)の多くのボットは、望ましくない社会的影響をもたらす。 本稿では,少数クラスのサンプルをエッジ合成なしで生成するGNNのオーバーサンプリング戦略を提案する。 このフレームワークは3つの実世界のボット検出ベンチマークデータセットを用いて評価される。
  論文  参考訳（メタデータ） (2023-02-14T08:35:33Z)
• Distributed Graph Neural Network Training: A Survey [51.77035975191926]
  グラフニューラルネットワーク(GNN)は、グラフに基づいてトレーニングされたディープラーニングモデルの一種で、さまざまな領域にうまく適用されている。 GNNの有効性にもかかわらず、GNNが大規模グラフに効率的にスケールすることは依然として困難である。 治療法として、分散コンピューティングは大規模GNNをトレーニングするための有望なソリューションとなる。
  論文  参考訳（メタデータ） (2022-11-01T01:57:00Z)
• Robust Graph Neural Networks using Weighted Graph Laplacian [1.8292714902548342]
  グラフニューラルネットワーク(GNN)は、入力データにおけるノイズや敵攻撃に対して脆弱である。 重み付きラプラシアンGNN(RWL-GNN)として知られるGNNの強化のための汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:36:35Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• Neural Network Branch-and-Bound for Neural Network Verification [26.609606492971967]
  本稿では,効率的な分岐戦略を設計するための新しい機械学習フレームワークを提案する。 グラフ入力として検証したいネットワークを直接扱う2つのグラフニューラルネットワーク(GNN)を学習する。 我々のGNNモデルは、より大きな未確認ネットワーク上での厳しい特性に対してよく一般化されていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:42:57Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。