論文の概要: Detecting Coordinated Inauthentic Behavior in Likes on Social Media:
Proof of Concept
- arxiv url: http://arxiv.org/abs/2305.07350v1
- Date: Fri, 12 May 2023 09:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 13:28:41.283345
- Title: Detecting Coordinated Inauthentic Behavior in Likes on Social Media:
Proof of Concept
- Title(参考訳): ソーシャルメディア上での協調的不正確な行動の検出--概念の証明
- Authors: Laura Jahn, Rasmus K. Rendsvig, Jacob St{\ae}rk-{\O}stergaard
- Abstract要約: 協調的非正当性行動は、組織的なエンゲージメントを用いてトピックを上昇または抑制することによって、世論を形成するためのソーシャルメディアのツールとして使用される。
占いの知恵を回復するためには、賢者から非正統なエージェントを分離し、投稿の関連性に基づいて投票用*判断用*として、後者のみを使用することが望ましい。
審査員選択手順をエージェントベースモデルを用いて評価し,GMMがより多くの不正なエージェントを検出することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Coordinated inauthentic behavior is used as a tool on social media to shape
public opinion by elevating or suppressing topics using systematic engagements
-- e.g. through *likes* or similar reactions. In an honest world, reactions may
be informative to users when selecting on what to spend their attention:
through the wisdom of crowds, summed reactions may help identifying relevant
and high-quality content. This is nullified by coordinated inauthentic liking.
To restore wisdom-of-crowds effects, it is therefore desirable to separate the
inauthentic agents from the wise crowd, and use only the latter as a voting
*jury* on the relevance of a post. To this end, we design two *jury selection
procedures* (JSPs) that discard agents classified as inauthentic. Using machine
learning techniques, both cluster on binary vote data -- one using a Gaussian
Mixture Model (GMM JSP), one the k-means algorithm (KM JSP) -- and label agents
by logistic regression. We evaluate the jury selection procedures with an
agent-based model, and show that the GMM JSP detects more inauthentic agents,
but both JSPs select juries with vastly increased correctness of vote by
majority. This proof of concept provides an argument for the release of
reactions data from social media platforms through a direct use-case in the
fight against online misinformation.
- Abstract(参考訳): 協調的不正確な行動は、例えば*likes*または同様の反応を通じて、体系的なエンゲージメントを用いてトピックを上昇または抑制することによって、世論を形作るソーシャルメディアのツールとして使用される。
正直な世界では、何に注意を向けるかを選択するとき、リアクションはユーザに情報を提供するかもしれない: 群衆の知恵を通じて、要約リアクションは、関連性の高い高品質なコンテンツを特定するのに役立つかもしれない。
これは、調整された慣性好きによって無効化される。
したがって、知恵を回復するためには、知恵的なエージェントを賢者の集団から切り離して、ポストの関連性に基づいて投票用*判断用*として使うことが望ましい。
この目的のために、エージェントを不正に分類する2つの*判断手順*(JSPs)を設計する。
マシンラーニングのテクニックを使用すると、どちらもバイナリ投票データ(Gaussian Mixture Model(GMM JSP)とk-meansアルゴリズム(KM JSP)、ロジスティック回帰によるラベルエージェントを使用する)をクラスタ化する。
我々はエージェントベースモデルを用いて陪審選考手続きを評価し,GMM JSPがより多くの不正なエージェントを検知することを示した。
この概念実証は、オンライン誤報との戦いにおける直接のユースケースを通じて、ソーシャルメディアプラットフォームから反応データを公開するための議論を提供する。
関連論文リスト
- SeGA: Preference-Aware Self-Contrastive Learning with Prompts for
Anomalous User Detection on Twitter [14.483830120541894]
本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。
SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。
モデル設計と事前学習戦略の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2023-12-17T05:35:28Z) - A Bayesian Active Learning Approach to Comparative Judgement [3.0098452499209705]
伝統的なマーキングは、不整合と無意識のバイアスの源であり、評価者に高い認知的負荷を課す。
CJでは、評価者には2つのアイテムが提示され、より良いものを選択するように求められます。
CJはマーキングの信頼できる方法と考えられているが、透明性に関する懸念がある。
比較項目のランクを決定するために,CJ (BCJ) に対する新しいベイズ的アプローチを提案する。
論文 参考訳(メタデータ) (2023-08-25T10:33:44Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳(メタデータ) (2023-05-18T09:04:50Z) - Using Multi-Encoder Fusion Strategies to Improve Personalized Response
Selection [2.8360662552057323]
本稿では,発話のペルソナ,感情,詳細情報間の相互作用を捉える融合戦略の組を提案する。
我々は、従来の手法よりも2.3%以上、修正されたペルソナでは1.9%以上のマージンで、BERTベースのモデルを訓練する。
論文 参考訳(メタデータ) (2022-08-20T04:13:27Z) - Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。
我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。
3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
論文 参考訳(メタデータ) (2022-04-19T12:10:03Z) - The CARE Dataset for Affective Response Detection [8.758091990334615]
本稿では,7つの感情的反応に応じて注釈付けされた230万のソーシャルメディア投稿のデータセットであるCARE$_db$を紹介した。
人間のアノテーションとは異なり、ここで記述するアノテーションプロセスは、メソッドのカバレッジを拡大するために反復することができる。
本稿では,CAREアノテーションがクラウドソースアノテーションと良好に比較できることを示す実験について述べる。
論文 参考訳(メタデータ) (2022-01-28T02:17:50Z) - Offline-Online Associated Camera-Aware Proxies for Unsupervised Person
Re-identification [31.065557919305892]
教師なしの人物再識別(Re-ID)は研究の注目を集めている。
ほとんどのクラスタリングベースのメソッドは、各クラスタを擬似IDクラスとして扱う。
カメラビューに応じて,各クラスタを複数のプロキシに分割することを提案する。
論文 参考訳(メタデータ) (2022-01-15T10:12:03Z) - Attribute Inference Attack of Speech Emotion Recognition in Federated
Learning Settings [56.93025161787725]
Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。
本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。
FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
論文 参考訳(メタデータ) (2021-12-26T16:50:42Z) - PASS: Protected Attribute Suppression System for Mitigating Bias in Face
Recognition [55.858374644761525]
顔認識ネットワークは、識別分類のために訓練されている間、機密属性に関する情報を符号化する。
既存のバイアス緩和アプローチでは、エンドツーエンドのトレーニングが必要であり、高い精度を達成できない。
PASS(Protected Attribute Suppression System)と呼ばれる記述子に基づく逆バイアス除去手法を提案する。
パスは、以前に訓練されたハイパフォーマンスネットワークから得られた記述子を使って、アイデンティティを分類し、機密属性のエンコーディングを同時に削減することができる。
論文 参考訳(メタデータ) (2021-08-09T00:39:22Z) - Partner Matters! An Empirical Study on Fusing Personas for Personalized
Response Selection in Retrieval-Based Chatbots [51.091235903442715]
本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。
4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。
Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
論文 参考訳(メタデータ) (2021-05-19T10:32:30Z) - Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。
各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。
カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
論文 参考訳(メタデータ) (2020-12-19T12:37:04Z)
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。