論文の概要: KPG: Key Propagation Graph Generator for Rumor Detection based on Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2405.13094v1
- Date: Tue, 21 May 2024 13:13:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 04:12:17.887434
- Title: KPG: Key Propagation Graph Generator for Rumor Detection based on Reinforcement Learning
- Title（参考訳）: KPG:強化学習に基づく地震検出のためのキープロパゲーショングラフ生成装置
- Authors: Yusong Zhang, Kun Xie, Xingyi Zhang, Xiangyu Dong, Sibo Wang,
- Abstract要約: Key Propagation Graph Generator (KPG)は、強化学習に基づく噂検出フレームワークである。
KPGは、トポロジ情報が不十分な事象に対して、コヒーレントかつ情報伝達パターンを生成する。
また、冗長でノイズの多い伝搬構造を持つ事象の指示的部分構造も特定する。
- 参考スコア（独自算出の注目度）: 10.35938375751164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proliferation of rumors on social media platforms during significant events, such as the US elections and the COVID-19 pandemic, has a profound impact on social stability and public health. Existing approaches for rumor detection primarily rely on propagation graphs to enhance model effectiveness. However, the presence of noisy and irrelevant structures during the propagation process limits the efficacy of these approaches. To tackle this issue, techniques such as weight adjustment and data augmentation have been proposed. However, these techniques heavily depend on rich original propagation structures, thus hindering performance when dealing with rumors that lack sufficient propagation information in the early propagation stages. In this paper, we propose Key Propagation Graph Generator (KPG), a novel reinforcement learning-based rumor detection framework that generates contextually coherent and informative propagation patterns for events with insufficient topology information, while also identifies indicative substructures for events with redundant and noisy propagation structures. KPG consists of two key components: the Candidate Response Generator (CRG) and the Ending Node Selector (ENS). CRG learns the latent distribution from refined propagation patterns, filtering out noise and generating new candidates for ENS. Simultaneously, ENS identifies the most influential substructures within propagation graphs and generates training data for CRG. Moreover, we introduce an end-to-end framework that utilizes rewards to guide the entire training process via a pre-trained graph neural network. Extensive experiments conducted on four datasets demonstrate the superiority of our KPG compared to the state-of-the-art approaches.
- Abstract（参考訳）: 米国の選挙や新型コロナウイルス(COVID-19)のパンデミックなど、ソーシャルメディア上での噂の高まりは、社会の安定と公衆衛生に大きな影響を与えている。
既存の噂検出手法は主にモデルの有効性を高めるために伝播グラフに依存している。
しかし,伝搬過程におけるノイズや無関係構造の存在は,これらの手法の有効性を制限している。
この問題に対処するため、重量調整やデータ拡張といった手法が提案されている。
しかし、これらの技術はリッチなオリジナル伝搬構造に大きく依存しており、初期の伝播段階で十分な伝搬情報がないという噂に対処する際の性能を損なう。
本稿では, トポロジ情報が不十分なイベントに対して, 文脈的に一貫性のある情報伝達パターンを生成するとともに, 冗長でノイズの多いイベントに対する表現的サブストラクチャを識別する, 拡張学習に基づく新しい噂検出フレームワークであるKey Propagation Graph Generator (KPG)を提案する。
KPGはCandidate Response Generator (CRG)とEnding Node Selector (ENS)の2つの重要なコンポーネントで構成されている。
CRGは、洗練された伝搬パターンから潜時分布を学習し、ノイズを除去し、ENSの新しい候補を生成する。
ENSは同時に、伝播グラフ内の最も影響力のあるサブ構造を特定し、CRGのトレーニングデータを生成する。
さらに,報奨を生かしたエンドツーエンドのフレームワークを導入し,事前学習したグラフニューラルネットワークを通じてトレーニングプロセス全体をガイドする。
4つのデータセットで実施された大規模な実験は、最先端のアプローチと比較して、KPGの優位性を示している。
関連論文リスト
- Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳（メタデータ） (2024-02-13T14:13:17Z) - Few-Shot Causal Representation Learning for Out-of-Distribution Generalization on Heterogeneous Graphs [16.130356170284127]
ヘテロジニアスグラフ(HGs)におけるラベル空間性問題に対処するヘテロジニアスグラフスショットラーニング(HGFL)が開発されている。
本稿では,新しい因果OOD不均質グラフFew-shot学習モデル,すなわちCOHFを提案する。
論文 参考訳（メタデータ） (2024-01-07T22:47:38Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-02T12:47:49Z) - Probabilistically Rewired Message-Passing Neural Networks [41.554499944141654]
メッセージパッシンググラフニューラルネットワーク(MPNN)は、グラフ構造化入力を処理する強力なツールとして登場した。
MPNNは、潜在的なノイズや欠落した情報を無視して、固定された入力グラフ構造で動作する。
確率的に再構成されたMPNN(PR-MPNN)を考案し、より有益なものを省略しながら、関連するエッジを追加することを学習する。
論文 参考訳（メタデータ） (2023-10-03T15:43:59Z) - Region-enhanced Deep Graph Convolutional Networks for Rumor Detection [6.5165993338043995]
噂の伝播特性を高める新しい領域強化深部グラフ畳み込みネットワーク(RDGCN)を提案する。
Twitter15とTwitter16の実験では、提案されたモデルは、噂検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
論文 参考訳（メタデータ） (2022-06-15T17:00:11Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。
グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。
提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
論文 参考訳（メタデータ） (2021-07-13T12:58:32Z) - Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。
CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。
特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文 参考訳（メタデータ） (2020-11-24T02:55:40Z) - Deoscillated Graph Collaborative Filtering [74.55967586618287]
協調フィルタリング(CF)信号は、ユーザとアイテムの埋め込みを学習するRecommender System(RS)モデルにとって不可欠である。
最近のグラフニューラルネットワーク(GNN)では、複数の集約層を積み重ねて高次信号の伝搬を提案する。
textbfDeoscillated textbfGraph textbfCollaborative textbfFiltering(DGCF)という新しいRSモデルを提案する。
論文 参考訳（メタデータ） (2020-11-04T02:26:53Z) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z)
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。