論文の概要: Trustworthiness of $\mathbb{X}$ Users: A One-Class Classification Approach

• arxiv url: http://arxiv.org/abs/2402.02066v1
• Date: Sat, 3 Feb 2024 07:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 22:28:27.119910
• Title: Trustworthiness of $\mathbb{X}$ Users: A One-Class Classification Approach
• Title（参考訳）: $\mathbb{x}$ ユーザの信頼性: 1 クラス分類アプローチ
• Authors: Tanveer Khan, Fahad Sohrab, Antonis Michalas, Moncef Gabbouj
• Abstract要約: 本稿では,$mathbbX$ユーザ分類のためのサブスペース学習方式を提案する。 サブスペースサポートベクトルデータ記述のための新しい正規化用語も導入する。 実験結果から,SSVDDの導入した正規化項の性能は,ベースラインモデルと比較して優れていた。
• 参考スコア（独自算出の注目度）: 15.233346579541621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: $\mathbb{X}$ (formerly Twitter) is a prominent online social media platform that plays an important role in sharing information making the content generated on this platform a valuable source of information. Ensuring trust on $\mathbb{X}$ is essential to determine the user credibility and prevents issues across various domains. While assigning credibility to $\mathbb{X}$ users and classifying them as trusted or untrusted is commonly carried out using traditional machine learning models, there is limited exploration about the use of One-Class Classification (OCC) models for this purpose. In this study, we use various OCC models for $\mathbb{X}$ user classification. Additionally, we propose using a subspace-learning-based approach that simultaneously optimizes both the subspace and data description for OCC. We also introduce a novel regularization term for Subspace Support Vector Data Description (SSVDD), expressing data concentration in a lower-dimensional subspace that captures diverse graph structures. Experimental results show superior performance of the introduced regularization term for SSVDD compared to baseline models and state-of-the-art techniques for $\mathbb{X}$ user classification.
• Abstract（参考訳）: $\mathbb{X}$(以前のTwitter)は、このプラットフォームで生成されたコンテンツを貴重な情報源にする情報を共有する上で重要な役割を果たす、著名なオンラインソーシャルメディアプラットフォームである。 \mathbb{x}$に対する信頼の確保は、ユーザの信頼度を判断し、さまざまなドメイン間の問題を防止するために不可欠である。 信頼性を$\mathbb{x}$ユーザに割り当てて信頼できない、あるいは信頼できないと分類するのは、従来の機械学習モデルを使って行われるのが一般的だが、この目的のために one-class classification (occ) モデルの使用に関する調査は限られている。 本研究では,様々なOCCモデルを$\mathbb{X}$ユーザ分類に使用する。 さらに,OCCのサブスペースとデータ記述を同時に最適化するサブスペース学習方式を提案する。 また,多彩なグラフ構造をキャプチャする低次元部分空間におけるデータ濃度を表す部分空間サポートベクトルデータ記述 (ssvdd) のための新しい正規化用語を提案する。 実験の結果,$\mathbb{x}$ユーザ分類のベースラインモデルや最先端技術と比較して,ssvddの正規化項の方が優れた性能を示した。

関連論文リスト

• Wasserstein Distributionally Robust Multiclass Support Vector Machine [1.8570591025615457]
  データの特徴が $mathbfx$ であり,そのラベルが $mathbfy$ であるような設定におけるマルチクラス分類の問題について検討する。 我々は、分散ロバストな最適化を用いて、クラマー・シンガー(CS)損失を特徴とするマルチクラスサポートベクターマシン(SVM)のロバストバージョンを開発する。 我々の数値実験は、トレーニングデータが高度に不均衡な環境で、我々のモデルが最先端のOVAモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-12T21:40:04Z)
• High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
  基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。 具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-10T08:04:11Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Kernel Density Estimation for Multiclass Quantification [52.419589623702336]
  量子化は、クラス有病率の正確な予測値を取得することに関する教師付き機械学習タスクである。 分散マッチング(DM)アプローチは、これまでの文献で提案されている定量化手法の中で、最も重要なファミリーの1つである。 カーネル密度推定(KDE)によりモデル化した多変量密度に基づく新しい表現機構を提案する。
  論文  参考訳（メタデータ） (2023-12-31T13:19:27Z)
• Enhancing Person Re-Identification through Tensor Feature Fusion [0.5562294018150907]
  本稿では,テンソル特徴表現とマルチ線形部分空間学習に基づく新しい人物認識システム(PRe-ID)を提案する。 提案手法は,事前学習したCNNを高レベル特徴抽出に活用する。 クロスビュー四分法解析(TXQDA)アルゴリズムは,マルチ線形部分空間学習に使用される。
  論文  参考訳（メタデータ） (2023-12-16T15:04:07Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• Generalized One-Class Learning Using Pairs of Complementary Classifiers [41.64645294104883]
  1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。 本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-24T18:52:05Z)
• From Anchor Generation to Distribution Alignment: Learning a Discriminative Embedding Space for Zero-Shot Recognition [46.47620562161315]
  ゼロショット学習(ZSL)では、分類されるサンプルは通常、属性などのサイド情報テンプレートに投影される。 我々は,DAGDA(Distriminative Anchor Generation and Distribution Alignment Model)と呼ばれる新しいフレームワークを提案する。 まず, 拡散型グラフ畳み込みネットワークを用いて, クラス情報と側情報の相互作用を明示的にモデル化し, 識別的アンカーを生成する手法を提案する。 第二に、アンカー空間におけるサンプルと対応するアンカーとをさらに整合させるため、細粒度に分布を洗練させることを目的として、意味的関係正則化を導入する。
  論文  参考訳（メタデータ） (2020-02-10T05:25:33Z)

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。