論文の概要: Stand for Something or Fall for Everything: Predict Misinformation Spread with Stance-Aware Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2310.02568v1
• Date: Wed, 4 Oct 2023 04:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 16:30:41.023005
• Title: Stand for Something or Fall for Everything: Predict Misinformation Spread with Stance-Aware Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークで誤報を予測する「何か」か「転倒」か
• Authors: Zihan Chen, Jingyi Sun, Rong Liu, Feng Mai
• Abstract要約: 本稿では,ユーザの姿勢を利用して情報拡散を積極的に予測するスタンス対応グラフニューラルネットワーク(スタンス対応GNN)を提案する。 本研究は,プラットフォームが誤情報と戦うための効果的な予測モデルを提供し,誤情報伝達におけるユーザスタンスの影響を明らかにする。
• 参考スコア（独自算出の注目度）: 8.508562336699573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although pervasive spread of misinformation on social media platforms has become a pressing challenge, existing platform interventions have shown limited success in curbing its dissemination. In this study, we propose a stance-aware graph neural network (stance-aware GNN) that leverages users' stances to proactively predict misinformation spread. As different user stances can form unique echo chambers, we customize four information passing paths in stance-aware GNN, while the trainable attention weights provide explainability by highlighting each structure's importance. Evaluated on a real-world dataset, stance-aware GNN outperforms benchmarks by 32.65% and exceeds advanced GNNs without user stance by over 4.69%. Furthermore, the attention weights indicate that users' opposition stances have a higher impact on their neighbors' behaviors than supportive ones, which function as social correction to halt misinformation propagation. Overall, our study provides an effective predictive model for platforms to combat misinformation, and highlights the impact of user stances in the misinformation propagation.
• Abstract（参考訳）: ソーシャルメディアプラットフォーム上での誤報の広汎化は大きな課題となっているが、既存のプラットフォームによる介入は、拡散を抑制することには限界がある。 本研究では,ユーザの姿勢を利用して誤情報の拡散を積極的に予測するスタンスアウェアグラフニューラルネットワーク(stance-aware gnn)を提案する。 異なるユーザの姿勢が独自のエコーチャンバーを形成することができるため、姿勢認識型GNNでは4つの情報パスパスをカスタマイズする一方、トレーニング可能な注意重みは、各構造の重要性を強調して説明性を提供する。 実際のデータセットに基づいて評価され、スタンス対応のGNNはベンチマークを32.65%上回り、ユーザのスタンスを4.69%上回る。 注意重みは, 利用者の反対姿勢が支援行動よりも近隣住民の行動に強い影響があることを示し, 誤情報伝達を阻止するための社会的修正として機能している。 本研究は, プラットフォームが誤情報と戦うための効果的な予測モデルを提供し, 誤情報伝播におけるユーザスタンスの影響を明らかにする。

関連論文リスト

• MisinfoEval: Generative AI in the Era of "Alternative Facts" [50.069577397751175]
  本稿では,大規模言語モデル(LLM)に基づく誤情報介入の生成と評価を行うフレームワークを提案する。 本研究では,(1)誤情報介入の効果を測定するための模擬ソーシャルメディア環境の実験,(2)ユーザの人口動態や信念に合わせたパーソナライズされた説明を用いた第2の実験について述べる。 以上の結果から,LSMによる介入はユーザの行動の修正に極めて有効であることが確認された。
  論文  参考訳（メタデータ） (2024-10-13T18:16:50Z)
• PropaInsight: Toward Deeper Understanding of Propaganda in Terms of Techniques, Appeals, and Intent [71.20471076045916]
  プロパガンダは世論の形成と偽情報の拡散に重要な役割を果たしている。 Propainsightはプロパガンダを体系的に、技術、覚醒的魅力、そして根底にある意図に分解する。 Propagazeは、人間の注釈付きデータと高品質な合成データを組み合わせる。
  論文  参考訳（メタデータ） (2024-09-19T06:28:18Z)
• Crowd Intelligence for Early Misinformation Prediction on Social Media [29.494819549803772]
  本稿では,クラウドインテリジェンスに基づく早期誤報予測手法であるCROWDSHIELDを紹介する。 私たちは2つの次元(スタンスとクレーム)を捉えるためにQラーニングを採用しています。 我々は手動で誤情報検出を行うTwitterコーパスであるMISTを提案する。
  論文  参考訳（メタデータ） (2024-08-08T13:45:23Z)
• A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges [75.37448213291668]
  本稿では,既存のグラフニューラルネットワーク(GNN)を体系的にレビューする。 まず、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探究する道を開く。
  論文  参考訳（メタデータ） (2024-03-07T13:10:37Z)
• A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications [76.88662943995641]
  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を扱う能力のため、大きな注目を集めている。 この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。 この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
  論文  参考訳（メタデータ） (2023-08-31T00:31:08Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• Characterizing User Susceptibility to COVID-19 Misinformation on Twitter [40.0762273487125]
  本研究は、パンデミックのオンライン誤報に弱い人口を構成する人々への回答を試みる。 我々は、ソーシャルボットから、新型コロナウイルス関連の誤情報に関するさまざまなレベルのエンゲージメントを持つ人間まで、さまざまなタイプのユーザーを区別する。 次に、新型コロナウイルスの誤情報に対する感受性と相関する、ユーザのオンライン機能と状況予測を識別する。
  論文  参考訳（メタデータ） (2021-09-20T13:31:15Z)
• Node-Level Membership Inference Attacks Against Graph Neural Networks [29.442045622210532]
  新しい機械学習(ML)モデル、すなわちグラフニューラルネットワーク(GNN)が導入された。 これまでの研究では、機械学習モデルはプライバシー攻撃に弱いことが示されている。 本稿では,GNNに対するノードレベルメンバシップ推論攻撃の包括的解析を行う。
  論文  参考訳（メタデータ） (2021-02-10T13:51:54Z)

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。