論文の概要: Rumor Detection on Social Media with Reinforcement Learning-based Key Propagation Graph Generator

• arxiv url: http://arxiv.org/abs/2405.13094v2
• Date: Sun, 22 Jun 2025 14:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.174857
• Title: Rumor Detection on Social Media with Reinforcement Learning-based Key Propagation Graph Generator
• Title（参考訳）: 強化学習に基づくキープロパゲーショングラフジェネレータを用いたソーシャルメディアの噂検出
• Authors: Yusong Zhang, Kun Xie, Xingyi Zhang, Xiangyu Dong, Sibo Wang,
• Abstract要約: ソーシャルメディアでの噂の拡散は、社会の安定と公衆衛生に深刻な脅威をもたらす。 現在のうわさ検出法は、モデル性能を改善するために伝搬グラフに依存している。 本稿では,イベントのコヒーレントかつ情報伝達パターンを生成する,新しい強化学習ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.35938375751164
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The spread of rumors on social media, particularly during significant events like the US elections and the COVID-19 pandemic, poses a serious threat to social stability and public health. Current rumor detection methods primarily rely on propagation graphs to improve the model performance. However, the effectiveness of these methods is often compromised by noisy and irrelevant structures in the propagation process. To tackle this issue, techniques such as weight adjustment and data augmentation have been proposed. However, they depend heavily on rich original propagation structures, limiting their effectiveness in handling rumors that lack sufficient propagation information, especially in the early stages of dissemination. In this work, we introduce the Key Propagation Graph Generator (KPG), a novel reinforcement learning-based framework, that generates contextually coherent and informative propagation patterns for events with insufficient topology information and identifies significant substructures in events with redundant and noisy propagation structures. KPG comprises two key components: the Candidate Response Generator (CRG) and the Ending Node Selector (ENS). CRG learns latent variable distributions from refined propagation patterns to eliminate noise and generate new candidates for ENS, while ENS identifies the most influential substructures in propagation graphs and provides training data for CRG. Furthermore, we develop an end-to-end framework that utilizes rewards derived from a pre-trained graph neural network to guide the training process. The resulting key propagation graphs are then employed in downstream rumor detection tasks. Extensive experiments conducted on four datasets demonstrate that KPG outperforms current state-of-the-art methods.
• Abstract（参考訳）: 米大統領選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拡散は、社会の安定と公衆衛生に深刻な脅威をもたらす。 現在のうわさ検出法は主にモデル性能を改善するために伝播グラフに依存している。 しかし,これらの手法の有効性は,伝播過程におけるノイズや無関係な構造によってしばしば損なわれる。 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、それらはリッチな独自の伝播構造に大きく依存しており、特に普及の初期段階において、十分な伝播情報を持たない噂を扱う際の有効性を制限している。 そこで本研究では, トポロジ情報が不十分な事象に対して, 文脈的に一貫性のある情報伝達パターンを生成し, 冗長でノイズの多い伝播構造を持つ事象において, 重要な部分構造を同定する, 新たな強化学習基盤であるキー伝搬グラフ生成器(KPG)を紹介する。 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から構成される。 CRGは改良された伝搬パターンから潜時変動分布を学習し、ノイズを除去し、ENSの新しい候補を生成する。 さらに,事前学習したグラフニューラルネットワークから得られる報酬を利用して,トレーニングプロセスのガイドを行うエンド・ツー・エンド・エンド・フレームワークを開発する。 結果のキー伝搬グラフは、下流の噂検出タスクに使用される。 4つのデータセットで実施された大規模な実験は、KPGが現在の最先端手法より優れていることを示した。

関連論文リスト

• Contrastive Token-level Explanations for Graph-based Rumour Detection [4.626073646852022]
  ソーシャルメディアは、経済を混乱させ、政治的成果に影響を与え、公衆衛生の危機を悪化させる有害な噂の拡散を促進してきた。 グラフニューラルネットワーク(GNN)ベースのアプローチは、自動噂検出において大きな可能性を秘めている。 既存のグラフ説明可能性技術は、高次元テキスト埋め込みにおける特徴次元間の依存関係によって生じる固有の課題に対処するには不十分である。
  論文  参考訳（メタデータ） (2025-02-05T07:14:11Z)
• 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)
• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• RhythmFormer: Extracting Patterned rPPG Signals based on Periodic Sparse Attention [18.412642801957197]
  RRhythmは、生理学的ビデオに基づいて生理的信号を検出する非接触法である。 本稿では,周期性によって誘発される時間的注意間隔に基づく周期的注意機構を提案する。 これは、データ内およびデータ間評価の両方において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-20T07:56:02Z)
• 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)
• 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)
• 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)
• 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。