論文の概要: Muti-scale Graph Neural Network with Signed-attention for Social Bot Detection: A Frequency Perspective

• arxiv url: http://arxiv.org/abs/2307.01968v1
• Date: Wed, 5 Jul 2023 00:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 15:33:26.642097
• Title: Muti-scale Graph Neural Network with Signed-attention for Social Bot Detection: A Frequency Perspective
• Title（参考訳）: ソーシャルボット検出のためのサインアテンション付きマルチスケールグラフニューラルネットワーク:周波数視点
• Authors: Shuhao Shi, Kai Qiao, Zhengyan Wang, Jie Yang, Baojie Song, Jian Chen, Bin Yan
• Abstract要約: ソーシャルメディアに大量のボットが存在することは、悪影響を及ぼす。 グラフニューラルネットワーク(GNN)は、ユーザ間の社会的関係を効果的に活用し、ボットの検出において優れた結果を得ることができる。 本稿では,MSGSと呼ばれるソーシャルボット検出のためのマルチスケール署名付きグラフフィルタを提案する。
• 参考スコア（独自算出の注目度）: 10.089319405788277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The presence of a large number of bots on social media has adverse effects. The graph neural network (GNN) can effectively leverage the social relationships between users and achieve excellent results in detecting bots. Recently, more and more GNN-based methods have been proposed for bot detection. However, the existing GNN-based bot detection methods only focus on low-frequency information and seldom consider high-frequency information, which limits the representation ability of the model. To address this issue, this paper proposes a Multi-scale with Signed-attention Graph Filter for social bot detection called MSGS. MSGS could effectively utilize both high and low-frequency information in the social graph. Specifically, MSGS utilizes a multi-scale structure to produce representation vectors at different scales. These representations are then combined using a signed-attention mechanism. Finally, multi-scale representations via MLP after polymerization to produce the final result. We analyze the frequency response and demonstrate that MSGS is a more flexible and expressive adaptive graph filter. MSGS can effectively utilize high-frequency information to alleviate the over-smoothing problem of deep GNNs. Experimental results on real-world datasets demonstrate that our method achieves better performance compared with several state-of-the-art social bot detection methods.
• Abstract（参考訳）: ソーシャルメディアに大量のボットが存在することは、悪影響を及ぼす。 グラフニューラルネットワーク(gnn)は、ユーザ間の社会的関係を効果的に活用し、ボット検出に優れた結果を得ることができる。 近年,ボット検出のためのGNNベースの手法がますます多く提案されている。 しかし,既存のGNNベースのボット検出手法は,低周波情報のみに着目し,高周波情報を考えることはめったにない。 そこで本稿では,MSGSと呼ばれるソーシャルボット検出のためのマルチスケール符号付きグラフフィルタを提案する。 MSGSはソーシャルグラフの高周波情報と低周波情報の両方を効果的に活用できる。 具体的には、MSGSはマルチスケール構造を用いて異なるスケールで表現ベクトルを生成する。 これらの表現は、符号付きアテンション機構を使って結合される。 最後に, 重合後のMLPによるマルチスケール表現を行い, 最終結果を得た。 周波数応答を分析し,MSGSがより柔軟で適応的なグラフフィルタであることを示す。 MSGSは、ディープGNNの過度に平滑な問題を緩和するために、効果的に高周波情報を利用することができる。 実世界のデータセットを用いた実験結果から,本手法はいくつかの最先端のソーシャルボット検出手法と比較して性能が向上することが示された。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• LGB: Language Model and Graph Neural Network-Driven Social Bot Detection [43.92522451274129]
  悪意のあるソーシャルボットは、誤った情報を広め、社会的世論を喚起することで、悪意ある目的を達成する。 言語モデル (LM) とグラフニューラルネットワーク (GNN) の2つの主要コンポーネントから構成される新しいソーシャルボット検出フレームワーク LGB を提案する。 2つの実世界のデータセットの実験では、LGBは最先端のベースラインモデルよりも最大10.95%向上している。
  論文  参考訳（メタデータ） (2024-06-13T02:47:38Z)
• SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection [34.68635583099056]
  マルチビューグラフに基づくコントラスト学習型ソーシャルボット検出器SEBotを提案する。 特に、構造エントロピーを不確実性計量として使用して、グラフ全体の構造を最適化する。 そして、ホモフィリーな仮定を超えたメッセージパッシングを可能にするエンコーダを設計する。
  論文  参考訳（メタデータ） (2024-05-18T08:16:11Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• LMBot: Distilling Graph Knowledge into Language Model for Graph-less Deployment in Twitter Bot Detection [41.043975659303435]
  グラフニューラルネットワーク(GNN)の知識を言語モデル(LM)に抽出する新しいボット検出フレームワークLMBotを提案する。 グラフベースのデータセットでは、LMの出力はGNNの入力機能を提供し、ボットの検出と知識の抽出を反復的かつ相互に強化するプロセスでLMに戻すことができる。 実験の結果,LMBotは4つのTwitterボット検出ベンチマークで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-06-30T05:50:26Z)
• 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)
• Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information [15.845749788061003]
  グラフ異常検出のための多視点融合手法(Mul-GAD)を提案する。 ビューレベルの融合は異なるビュー間の重要度を捉え、特徴レベルの融合は補完情報を完全に活用する。 他の最先端検出手法と比較して、ほとんどのシナリオにおいて検出性能と一般化が向上する。
  論文  参考訳（メタデータ） (2022-12-11T11:34:34Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)

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。