論文の概要: Digital cloning of online social networks for language-sensitive
agent-based modeling of misinformation spread
- arxiv url: http://arxiv.org/abs/2401.12509v1
- Date: Tue, 23 Jan 2024 06:02:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 16:44:11.407990
- Title: Digital cloning of online social networks for language-sensitive
agent-based modeling of misinformation spread
- Title（参考訳）: 言語感受性エージェントを用いた誤情報拡散モデリングのためのオンラインソーシャルネットワークのデジタルクローニング
- Authors: Prateek Puri, Gabriel Hassler, Anton Shenk, Sai Katragadda
- Abstract要約: オンラインソーシャルネットワーク内で拡散する誤情報を研究するためのシミュレーションフレームワークを開発する。
我々は、ソーシャルメディア履歴を1万人以上のユーザー向けにダウンロードすることで、既知の偽情報共有ネットワークの「デジタルクローン」を作成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a simulation framework for studying misinformation spread within
online social networks that blends agent-based modeling and natural language
processing techniques. While many other agent-based simulations exist in this
space, their ability to provide actionable insights in in part limited by their
lack of fidelity and generalizability to existing networks. To partially
address these concerns, we create a 'digital clone' of a known misinformation
sharing network by downloading social media histories for over ten thousand of
its users. We parse these histories to both extract the structure of the
network and model the nuanced ways in which information is shared and spread
among its members. Unlike many other agent-based methods in this space,
information sharing between users in our framework is sensitive to topic of
discussion, user preferences, and online community dynamics. To evaluate the
fidelity of our method, we seed our cloned network with a set of posts recorded
in the base network and compare propagation dynamics between the two, observing
reasonable agreement across the twin networks over a variety of metrics.
Lastly, we explore how the cloned network may serve as a flexible, low-cost
testbed for misinformation countermeasure evaluation and red teaming analysis.
We hope the tools explored here augment existing efforts in the space and
unlock new opportunities for misinformation countermeasure evaluation, a field
that may become increasingly important to consider with the anticipated rise of
misinformation campaigns fueled by generative artificial intelligence.
- Abstract（参考訳）: エージェントベースモデリングと自然言語処理を融合した,オンラインソーシャルネットワークにおける誤情報拡散のシミュレーションフレームワークを開発した。
他にもエージェントベースのシミュレーションが多数存在するが、既存のネットワークに対する忠実さと一般化性の欠如により、行動可能な洞察を提供する能力は限られている。
これらの懸念を部分的に解決するため,我々は,1万人を超えるユーザに対してソーシャルメディア履歴をダウンロードすることで,既知の誤情報共有ネットワークの「デジタルクローン」を作成する。
これらの履歴を解析してネットワークの構造を抽出し、メンバー間で情報を共有・拡散するニュアンスな方法をモデル化する。
この分野の他のエージェントベースの方法とは異なり、このフレームワークのユーザ間の情報共有は、議論のトピック、ユーザの好み、オンラインコミュニティのダイナミクスに敏感です。
提案手法の忠実性を評価するため,我々はクローンネットワークをベースネットワークに記録されたポストのセットに種まき,2つのネットワーク間の伝播ダイナミクスを比較し,ツインネットワーク間の妥当な合意を様々な指標で観察する。
最後に,クローンネットワークが,誤情報対策評価とレッド・チームリング分析のために,柔軟で低コストなテストベッドとして機能するかを検討する。
ここで検討されたツールは、この分野における既存の取り組みを強化し、誤情報対策評価の新たな機会を開放することを望んでいる。
関連論文リスト
- Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures [36.45109260662318]
この研究は、情報エコシステム内の複雑な相互作用を再現するために、大規模言語モデル(LLM)によるマルチエージェントシミュレーションを用いている。
エージェントのパーソナリティやネットワーク構造など,ニュースの伝播を促進する重要な要因について検討する。
我々は3つの対策策を評価し、ネットワーク内の影響力のあるエージェントをブロックするブルートフォースを発見するか、あるいはニュースの正確性を示すことで、誤情報を効果的に軽減することができる。
論文 参考訳（メタデータ） (2024-10-16T23:58:26Z) - Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。
我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
論文 参考訳（メタデータ） (2024-03-20T00:24:23Z) - Stepping out of Flatland: Discovering Behavior Patterns as Topological Structures in Cyber Hypergraphs [0.7835894511242797]
本稿では,ハイパーグラフとトポロジ理論に基づく新しいフレームワークを提案する。
大規模なサイバーネットワークデータセットで具体例を示す。
論文 参考訳（メタデータ） (2023-11-08T00:00:33Z) - Personalized multi-faceted trust modeling to determine trust links in
social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。
本稿では,データ駆動型多面信頼モデルを提案する。
信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文 参考訳（メタデータ） (2021-11-11T19:40:51Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳（メタデータ） (2021-03-18T13:04:21Z) - A Latent Space Model for Multilayer Network Data [0.2538209532048866]
アクターの共通集合上で定義された2つ以上のソーシャルネットワークを同時に特徴付けるベイズ統計モデルを提案する。
モデルの主な特徴は階層的な事前分布であり、システム全体を共同で表現することができる。
我々のモデルの性能は、アクターの種類、サイズ、関係性を考慮し、いくつかの実世界のデータセットを用いて説明される。
論文 参考訳（メタデータ） (2021-02-18T00:53:44Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳（メタデータ） (2020-10-15T14:12:26Z) - Who2com: Collaborative Perception via Learnable Handshake Communication [34.29310680302486]
本稿では,ロボットが周囲のエージェントと局所的な観察を組み合わせて学習可能な方法で認識タスクの精度を向上する,協調的知覚の問題を提案する。
ネットワーク通信プロトコルにヒントを得た多段階ハンドシェイク通信機構を提案する。
セマンティックセグメンテーションタスクにおいて、ハンドシェイク通信方式は、分散ベースラインよりも約20%精度が向上し、帯域幅の4分の1を使用した集中型セグメンテーションに匹敵することを示す。
論文 参考訳（メタデータ） (2020-03-21T04:16:22Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2020-02-05T11:10:44Z)
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。