論文の概要: SeGA: Preference-Aware Self-Contrastive Learning with Prompts for
Anomalous User Detection on Twitter
- arxiv url: http://arxiv.org/abs/2312.11553v1
- Date: Sun, 17 Dec 2023 05:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 18:31:43.737388
- Title: SeGA: Preference-Aware Self-Contrastive Learning with Prompts for
Anomalous User Detection on Twitter
- Title（参考訳）: SeGA: Twitter上の異常なユーザ検出のためのプロンプトによる自己コントラスト学習
- Authors: Ying-Ying Chang, Wei-Yao Wang, Wen-Chih Peng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.483830120541894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the dynamic and rapidly evolving world of social media, detecting
anomalous users has become a crucial task to address malicious activities such
as misinformation and cyberbullying. As the increasing number of anomalous
users improves the ability to mimic normal users and evade detection, existing
methods only focusing on bot detection are ineffective in terms of capturing
subtle distinctions between users. To address these challenges, we proposed
SeGA, preference-aware self-contrastive learning for anomalous user detection,
which leverages heterogeneous entities and their relations in the Twittersphere
to detect anomalous users with different malicious strategies. SeGA utilizes
the knowledge of large language models to summarize user preferences via posts.
In addition, integrating user preferences with prompts as pseudo-labels for
preference-aware self-contrastive learning enables the model to learn
multifaceted aspects for describing the behaviors of users. Extensive
experiments on the proposed TwBNT benchmark demonstrate that SeGA significantly
outperforms the state-of-the-art methods (+3.5\% ~ 27.6\%) and empirically
validate the effectiveness of the model design and pre-training strategies. Our
code and data are publicly available at https://github.com/ying0409/SeGA.
- Abstract（参考訳）: ソーシャルメディアのダイナミックで急速に進化する世界では、誤情報やサイバーいじめといった悪意ある活動に対処する上で、異常なユーザを検出することが重要な課題となっている。
異常ユーザの増加により、通常のユーザを模倣し、検出を回避できる能力が向上する一方、ボット検出のみに焦点を当てた既存の方法では、ユーザ間の微妙な区別を捉えることは不可能である。
これらの課題に対処するために,我々は,不均一なエンティティとtwittersphereにおけるそれらの関係を利用して,異なる悪意のある戦略を持つ異常ユーザを検出する,異常ユーザ検出のための選好認識型自己一貫性学習であるsegaを提案した。
SeGAは大規模言語モデルの知識を利用して、投稿を通じてユーザの好みを要約する。
さらに、ユーザの好みとプロンプトを統合することで、ユーザの振る舞いを記述するための多面的な側面を学習することができる。
提案したTwBNTベンチマークにおいて、SeGAは最先端の手法(+3.5\% ~ 27.6\%)を大幅に上回り、モデル設計と事前学習戦略の有効性を実証的に検証している。
私たちのコードとデータはhttps://github.com/ying0409/SeGAで公開されています。
関連論文リスト
- Leave No One Behind: Online Self-Supervised Self-Distillation for Sequential Recommendation [20.52842524024608]
シーケンシャルレコメンデーション手法は、現代のレコメンデーションシステムにおいて重要な役割を担っている。
近年の手法では、コントラスト学習を利用して自己超越信号の導出を行っている。
そこで我々は,オンライン自己監督型自己蒸留(Online Self-Supervised Self-distillation for Sequential Recommendation)という新しい学習パラダイムを導入する。
論文 参考訳（メタデータ） (2024-03-22T12:27:21Z) - Causal Structure Representation Learning of Confounders in Latent Space
for Recommendation [6.839357057621987]
ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。
我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
論文 参考訳（メタデータ） (2023-11-02T08:46:07Z) - User Inference Attacks on Large Language Models [26.616016510555088]
ファインチューニング(英: Fine-tuning)は、大規模言語モデル(LLM)を特定のタスクやアプリケーションに合わせるための、一般的で効果的な方法である。
ユーザデータに対する微調整LDMのプライバシーへの影響について検討する。
論文 参考訳（メタデータ） (2023-10-13T17:24:52Z) - Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。
乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。
我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文 参考訳（メタデータ） (2023-10-07T10:20:26Z) - When Measures are Unreliable: Imperceptible Adversarial Perturbations
toward Top-$k$ Multi-Label Learning [83.8758881342346]
新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。
大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
論文 参考訳（メタデータ） (2023-07-27T13:18:47Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳（メタデータ） (2023-06-27T02:54:07Z) - Detecting and Quantifying Malicious Activity with Simulation-based
Inference [61.9008166652035]
本稿では,レコメンデーションアルゴリズムと相互作用する正規および悪意のあるユーザのモデルを用いて,悪意のあるユーザ識別実験を行う。
本稿では,ユーザやグループの影響を定量化するためのシミュレーションに基づく新しい尺度を提案する。
論文 参考訳（メタデータ） (2021-10-06T03:39:24Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - From Implicit to Explicit feedback: A deep neural network for modeling
sequential behaviours and long-short term preferences of online users [3.464871689508835]
暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。
ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
論文 参考訳（メタデータ） (2021-07-26T16:59:20Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳（メタデータ） (2020-10-25T00:39:32Z)
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。