論文の概要: Detecting and Mitigating Bias in Algorithms Used to Disseminate Information in Social Networks
- arxiv url: http://arxiv.org/abs/2405.12764v1
- Date: Tue, 21 May 2024 13:17:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 13:19:55.406504
- Title: Detecting and Mitigating Bias in Algorithms Used to Disseminate Information in Social Networks
- Title（参考訳）: ソーシャルネットワークにおける情報拡散アルゴリズムにおけるバイアスの検出と緩和
- Authors: Vedran Sekara, Ivan Dotu, Manuel Cebrian, Esteban Moro, Manuel Garcia-Herranz,
- Abstract要約: 社会的つながりは、個人がコミュニケーションし、情報伝達し、病気が広がる経路である。
効果的な情報キャンペーンを開発し、疫病と闘い、限られた資源の範囲を最大化するためには、アイデアや技術を取り入れ、それを他人に広める可能性がより高い個人を特定することが不可欠である。
ここでは、インフルエンス手法を用いたシード情報は、接続された個人と中央の個人にのみ利益をもたらし、最も脆弱な情報を常に残していることを示す。
我々の研究は、より公平なインフルエンサーセットを見つける方法を示し、情報の最大化のために、情報平等を妥協する必要はないことを強調している。
- 参考スコア（独自算出の注目度）: 0.03883607294385062
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Social connections are a conduit through which individuals communicate, information propagates, and diseases spread. Identifying individuals that are more likely to adopt ideas or technologies and spread them to others is essential in order to develop effective information campaigns, fight epidemics, and to maximize the reach of limited resources. Consequently a lot of work has focused on identifying sets of influencers. Here we show that seeding information using these influence maximization methods, only benefits connected and central individuals, consistently leaving the most vulnerable behind. Our results highlights troublesome outcomes of influence maximization algorithms: they do not disseminate information in an equitable manner threatening to create an increasingly unequal society. To overcome this issue we devise a simple, multi-objective algorithm, which maximises both influence and information equity. Our work demonstrates how to find fairer influencer sets, highlighting that in our search for maximizing information, we do not need to compromise on information equality.
- Abstract（参考訳）: 社会的つながりは、個人がコミュニケーションし、情報伝達し、病気が広がる経路である。
効果的な情報キャンペーンを開発し、疫病と闘い、限られた資源の範囲を最大化するためには、アイデアや技術を取り入れ、それを他人に広める可能性がより高い個人を特定することが不可欠である。
その結果、多くの研究がインフルエンサーの集合を特定することに重点を置いている。
ここでは、これらの影響の最大化手法を用いた種付け情報は、接続された個人と中央の個人にのみ利益をもたらし、最も脆弱な情報を一貫して残していることを示す。
この結果は、影響の最大化アルゴリズムの厄介な結果を浮き彫りにしている。
この問題を解決するために、インフルエンスと情報エクイティの両方を最大化する、単純で多目的のアルゴリズムを考案した。
我々の研究は、より公平なインフルエンサーセットを見つける方法を示し、情報の最大化のために、情報平等を妥協する必要はないことを強調している。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - MisinfoEval: Generative AI in the Era of "Alternative Facts" [50.069577397751175]
本稿では,大規模言語モデル(LLM)に基づく誤情報介入の生成と評価を行うフレームワークを提案する。
本研究では,(1)誤情報介入の効果を測定するための模擬ソーシャルメディア環境の実験,(2)ユーザの人口動態や信念に合わせたパーソナライズされた説明を用いた第2の実験について述べる。
以上の結果から,LSMによる介入はユーザの行動の修正に極めて有効であることが確認された。
論文 参考訳（メタデータ） (2024-10-13T18:16:50Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳（メタデータ） (2024-02-08T07:18:23Z) - Online Auditing of Information Flow [4.557963624437785]
本稿では,ニュース項目を偽物や真偽と分類することを目的として,情報の流れ・伝播のオンライン監査の問題点を考察する。
グラフによってモデル化されたネットワーク上での確率的マルコフ情報拡散モデルを提案する。
上記のリスクを最小化する最適検出アルゴリズムを発見し,いくつかの統計的保証を証明した。
論文 参考訳（メタデータ） (2023-10-23T06:03:55Z) - Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。
この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
論文 参考訳（メタデータ） (2023-05-15T16:51:18Z) - Adaptive cognitive fit: Artificial intelligence augmented management of
information facets and representations [62.997667081978825]
ビッグデータ技術と人工知能(AI)応用の爆発的な成長は、情報ファセットの普及に繋がった。
等角性や正確性などの情報フェートは、情報に対する人間の認識を支配的かつ著しく左右する。
認知の限界を克服するために情報表現を適応できる人工知能技術が必要であることを示唆する。
論文 参考訳（メタデータ） (2022-04-25T02:47:25Z) - CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown
Social Networks [14.695979686066062]
本稿では,RL法のサンプル効率を向上させるために,CLAIM-Curriculum LeArning Policy for Influence Maximizationを提案する。
実世界のデータセットで実験を行い、我々のアプローチが現在の最良のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2021-07-08T04:52:50Z) - Understanding Health Misinformation Transmission: An Interpretable Deep
Learning Approach to Manage Infodemics [6.08461198240039]
本研究では,新しい解釈可能な深層学習手法であるGenerative Adversarial NetworkベースのPiecewise Wide and Attention Deep Learning (GAN-PiWAD)を提案する。
社会交換理論に則った特徴を選択し、4,445本の誤報動画でGAN-PiWADを評価します。
本研究は,ソーシャルメディアプラットフォームや政策立案者に対して,誤情報を識別し,伝達を制御し,インフォデミクスを管理するための積極的な介入をデザインする直接的意義を与える。
論文 参考訳（メタデータ） (2020-12-21T15:49:19Z) - FairCVtest Demo: Understanding Bias in Multimodal Learning with a
Testbed in Fair Automatic Recruitment [79.23531577235887]
このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。
また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
論文 参考訳（メタデータ） (2020-09-12T17:45:09Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。