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
- 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) - Blink: Link Local Differential Privacy in Graph Neural Networks via
Bayesian Estimation [79.64626707978418]
分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。
当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。
当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
論文 参考訳(メタデータ) (2023-09-06T17:53:31Z) - 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) - Unsupervised Belief Representation Learning in Polarized Networks with
Information-Theoretic Variational Graph Auto-Encoders [26.640917190618612]
偏極ネットワークにおける信念表現学習のための教師なしアルゴリズムを開発した。
ユーザとコンテンツアイテム(例えば、ユーザビューを表す投稿)の両方を、適切に区切られた潜在空間に投影することを学ぶ。
ユーザとコンテンツの潜在表現は、イデオロギー的傾きを定量化し、問題に対する姿勢を検出し、予測するために使用することができる。
論文 参考訳(メタデータ) (2021-10-01T04:35:01Z) - 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) - Assisted Perception: Optimizing Observations to Communicate State [112.40598205054994]
我々は、ロボット遠隔操作や視覚障害のあるナビゲーションといったタスクにおいて、ユーザが世界の状態を見積もるのを支援することを目的としている。
ユーザによって処理された場合、より正確な内部状態推定につながる新しい観測結果を合成する。
論文 参考訳(メタデータ) (2020-08-06T19:08:05Z) - Independent Component Analysis for Trustworthy Cyberspace during High
Impact Events: An Application to Covid-19 [4.629100947762816]
新型コロナウイルス(COVID-19)の感染拡大など、ソーシャルメディアは重要なコミュニケーションチャンネルとなっている。
ソーシャルメディアにおける誤報が急速に拡散し、社会不安を生じさせるため、そのような出来事における誤報の拡散は重要なデータ課題である。
本稿では,ICAモデルに基づくデータ駆動型ソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-01T21:48:22Z)
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。