論文の概要: BotDGT: Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers

• arxiv url: http://arxiv.org/abs/2404.15070v2
• Date: Wed, 24 Apr 2024 08:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-25 15:54:19.531049
• Title: BotDGT: Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers
• Title（参考訳）: BotDGT:動的グラフ変換器を用いた動的ソーシャルボット検出
• Authors: Buyun He, Yingguang Yang, Qi Wu, Hao Liu, Renyu Yang, Hao Peng, Xiang Wang, Yong Liao, Pengyuan Zhou,
• Abstract要約: BotDGTはトポロジカルな構造を考慮した新しいフレームワークであるが、ソーシャルネットワークの動的な性質を効果的に取り入れている。 各歴史的スナップショットからトポロジ情報を取得するために構造モジュールが使用される。 時間的モジュールは、歴史的コンテキストを統合し、社会的ボットや正当なユーザによって提示される進化する行動パターンをモデル化するために提案される。
• 参考スコア（独自算出の注目度）: 34.517897902575946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting social bots has evolved into a pivotal yet intricate task, aimed at combating the dissemination of misinformation and preserving the authenticity of online interactions. While earlier graph-based approaches, which leverage topological structure of social networks, yielded notable outcomes, they overlooked the inherent dynamicity of social networks -- In reality, they largely depicted the social network as a static graph and solely relied on its most recent state. Due to the absence of dynamicity modeling, such approaches are vulnerable to evasion, particularly when advanced social bots interact with other users to camouflage identities and escape detection. To tackle these challenges, we propose BotDGT, a novel framework that not only considers the topological structure, but also effectively incorporates dynamic nature of social network. Specifically, we characterize a social network as a dynamic graph. A structural module is employed to acquire topological information from each historical snapshot. Additionally, a temporal module is proposed to integrate historical context and model the evolving behavior patterns exhibited by social bots and legitimate users. Experimental results demonstrate the superiority of BotDGT against the leading methods that neglected the dynamic nature of social networks in terms of accuracy, recall, and F1-score.
• Abstract（参考訳）: ソーシャルボットの検出は、誤情報の拡散とオンラインインタラクションの真正性を維持することを目的とした、重要かつ複雑なタスクへと進化してきた。 初期のグラフベースのアプローチは、ソーシャルネットワークのトポロジ的構造を利用して、顕著な結果をもたらしたが、ソーシャルネットワークの本質的なダイナミクスを見落としていた。 ダイナミック性モデリングが欠如しているため、特に高度なソーシャルボットが他のユーザと対話し、カモフラージュのアイデンティティとエスケープ検出を行う場合、このようなアプローチは回避に脆弱である。 これらの課題に対処するために,トポロジ的構造だけでなく,ネットワークの動的性質を効果的に取り入れた新しいフレームワークであるBotDGTを提案する。 具体的には,ソーシャルネットワークを動的グラフとして特徴付ける。 各歴史的スナップショットからトポロジ情報を取得するために構造モジュールが使用される。 さらに、歴史的文脈の統合と、社会的ボットや正当なユーザによって表される進化する行動パターンをモデル化するために、時間モジュールを提案する。 実験結果は,ソーシャルネットワークのダイナミックな性質を,精度,リコール,F1スコアの観点から無視する主要な手法に対するBotDGTの優位性を実証した。

関連論文リスト

• SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection [34.68635583099056]
  マルチビューグラフに基づくコントラスト学習型ソーシャルボット検出器SEBotを提案する。 特に、構造エントロピーを不確実性計量として使用して、グラフ全体の構造を最適化する。 そして、ホモフィリーな仮定を超えたメッセージパッシングを可能にするエンコーダを設計する。
  論文  参考訳（メタデータ） (2024-05-18T08:16:11Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data [13.660150473547766]
  本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。 提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。 実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
  論文  参考訳（メタデータ） (2023-12-31T05:13:13Z)
• Adversarial Socialbots Modeling Based on Structural Information Principles [24.339397435628214]
  ソーシャルボットは、誤情報を伝達するために人間の行動を模倣し、ソーシャルボットと検出器の競争が続いている。 本稿では,より正確かつ効果的な対人行動モデリングを実現するために,数学的構造情報原理に基づく対人社会ボットモデリングフレームワーク,すなわちSIASMを提案する。
  論文  参考訳（メタデータ） (2023-12-13T12:32:12Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Exploiting Social Graph Networks for Emotion Prediction [2.7376140293132667]
  モバイルセンシングデータを用いて幸福とストレスを予測する。 人の生理的特徴に加えて、天気やソーシャルネットワークを通じて環境への影響も取り入れる。 ユーザのソーシャルネットワークの統合が予測に影響を及ぼすようなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-12T20:24:39Z)
• Predicting Opinion Dynamics via Sociologically-Informed Neural Networks [31.77040611129394]
  本稿では,理論モデルとソーシャルメディアデータを統合した社会学的インフォームドニューラルネットワーク(SINN)を提案する。 特に、理論モデルを常微分方程式(ODE)として再キャストする。 我々は、データを同時に近似し、社会科学的知識を表すODEに適合するニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-07-07T05:55:47Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)
• Graph-Based Social Relation Reasoning [101.9402771161935]
  社会関係認識のためのグラフ関係推論ネットワーク(GR2N)を提案する。 本手法は,社会関係グラフの構築による連関関係推定のパラダイムを考察する。 実験結果から,本手法は合理的で一貫した社会関係グラフを生成することが示された。
  論文  参考訳（メタデータ） (2020-07-15T03:01:11Z)

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。