論文の概要: Large Engagement Networks for Classifying Coordinated Campaigns and Organic Twitter Trends

• arxiv url: http://arxiv.org/abs/2503.00599v1
• Date: Sat, 01 Mar 2025 19:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:26.461354
• Title: Large Engagement Networks for Classifying Coordinated Campaigns and Organic Twitter Trends
• Title（参考訳）: 協調キャンペーンを分類する大規模エンゲージメントネットワークとTwitterのオーガナイズなトレンド
• Authors: Atul Anand Gopalakrishnan, Jakir Hossain, Tugrulcan Elmas, Ahmet Erdem Sariyuce,
• Abstract要約: ソーシャルメディアのユーザーと不正なアカウントは、トピックの宣伝に協力することができる。 トピックがオーガニックなのか、あるいは信頼できる地上の真実が欠如しているため、協調したキャンペーンなのかを予測するのは難しい。 本稿では,短絡攻撃によるキャンペーンを検知することで,そのような真実を創出する。
• 参考スコア（独自算出の注目度）: 1.3595147353266148
• License:
• Abstract: Social media users and inauthentic accounts, such as bots, may coordinate in promoting their topics. Such topics may give the impression that they are organically popular among the public, even though they are astroturfing campaigns that are centrally managed. It is challenging to predict if a topic is organic or a coordinated campaign due to the lack of reliable ground truth. In this paper, we create such ground truth by detecting the campaigns promoted by ephemeral astroturfing attacks. These attacks push any topic to Twitter's (X) trends list by employing bots that tweet in a coordinated manner in a short period and then immediately delete their tweets. We manually curate a dataset of organic Twitter trends. We then create engagement networks out of these datasets which can serve as a challenging testbed for graph classification task to distinguish between campaigns and organic trends. Engagement networks consist of users as nodes and engagements as edges (retweets, replies, and quotes) between users. We release the engagement networks for 179 campaigns and 135 non-campaigns, and also provide finer-grain labels to characterize the type of the campaigns and non-campaigns. Our dataset, LEN (Large Engagement Networks), is available in the URL below. In comparison to traditional graph classification datasets, which are small with tens of nodes and hundreds of edges at most, graphs in LEN are larger. The average graph in LEN has ~11K nodes and ~23K edges. We show that state-of-the-art GNN methods give only mediocre results for campaign vs. non-campaign and campaign type classification on LEN. LEN offers a unique and challenging playfield for the graph classification problem. We believe that LEN will help advance the frontiers of graph classification techniques on large networks and also provide an interesting use case in terms of distinguishing coordinated campaigns and organic trends.
• Abstract（参考訳）: ソーシャルメディアのユーザーやボットのような不正なアカウントは、トピックの宣伝に協力することができる。 このような話題は、中心的に管理されているアストロチャリングキャンペーンであるにもかかわらず、一般には有機的に人気があるという印象を与えるかもしれない。 トピックがオーガニックなのか、あるいは信頼できる地上の真実が欠如しているため、協調したキャンペーンなのかを予測するのは難しい。 本稿では,短絡攻撃によるキャンペーンを検知することで,そのような真実を創出する。 これらの攻撃は、任意のトピックをTwitterの(X)トレンドリストに押し付け、短期間に協調的にツイートするボットを採用し、すぐにツイートを削除する。 オーガニックなTwitterトレンドのデータセットを手作業でキュレートします。 次に、これらのデータセットからエンゲージメントネットワークを作成し、グラフ分類タスクの難しいテストベッドとして機能し、キャンペーンとオーガニックなトレンドを区別します。 エンゲージメントネットワークは、ノードとしてのユーザと、エッジ(リツイート、リプライ、引用)としてのエンゲージメントで構成される。 我々は179のキャンペーンと135の非カンパニアンのためのエンゲージメントネットワークをリリースし、キャンペーンの種類や非カンパニアンを特徴付けるための細粒度ラベルも提供します。 私たちのデータセットであるLEN(Large Engagement Networks)は、下のURLで公開されています。 数十のノードと数百のエッジを持つ従来のグラフ分類データセットと比較して、LENのグラフは大きい。 LENの平均グラフは ~11K ノードと ~23K エッジを持つ。 我々は,現在最先端のGNN手法が,LENにおけるキャンペーンと非キャンプ型およびキャンペーンタイプの分類に対して,メディカルな結果のみを与えることを示した。 LENはグラフ分類問題に対してユニークで挑戦的なプレイフィールドを提供する。 我々は、LENが大規模ネットワークにおけるグラフ分類技術のフロンティアを前進させ、協調したキャンペーンと有機的トレンドを区別する興味深いユースケースを提供すると考えている。

関連論文リスト

• Labeled Datasets for Research on Information Operations [71.34999856621306]
  ソーシャルメディアプラットフォームによって検証されたIOポストと、同様のトピックを同じ時間フレーム(制御データ)で議論した303kアカウントによる1300万以上の投稿の両方を含む、26のキャンペーンに関するラベル付きデータセットを新たに提示する。 データセットは、さまざまなキャンペーンや国で調整されたアカウントによって使用される物語、ネットワークインタラクション、エンゲージメント戦略の研究を促進する。
  論文  参考訳（メタデータ） (2024-11-15T22:15:01Z)
• Unraveling the Web of Disinformation: Exploring the Larger Context of State-Sponsored Influence Campaigns on Twitter [16.64763746842362]
  我々は、様々な国を起源とする19の国が支援する偽情報キャンペーンをTwitterで調査した。 私たちは機械学習ベースの分類器を構築し、目に見えないキャンペーンから最大94%のアカウントを正しく識別できる。 また、当社のシステムを野放しにして、州が支援するオペレーションに属する可能性のあるアカウントを増やしています。
  論文  参考訳（メタデータ） (2024-07-25T15:03:33Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• DoubleH: Twitter User Stance Detection via Bipartite Graph Neural Networks [9.350629400940493]
  2020年の米国大統領選挙の大規模なデータセットをクロールし、手動でタグ付けされたハッシュタグによって、すべてのユーザーを自動的にラベル付けします。 本稿では,二部グラフニューラルネットワークモデルであるDoubleHを提案する。
  論文  参考訳（メタデータ） (2023-01-20T19:20:10Z)
• Design and analysis of tweet-based election models for the 2021 Mexican legislative election [55.41644538483948]
  選挙日前の6ヶ月の間に、1500万件の選挙関連ツイートのデータセットを使用します。 地理的属性を持つデータを用いたモデルが従来のポーリング法よりも精度と精度で選挙結果を決定することがわかった。
  論文  参考訳（メタデータ） (2023-01-02T12:40:05Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• The Spread of Propaganda by Coordinated Communities on Social Media [43.2770127582382]
  我々は、2019年イギリス総選挙に関する大規模なTwitterデータセット上で、プロパガンダの拡散とその協調行動との相互作用を分析する。 プロパガンダの利用と協調行動を組み合わせることで、異なるコミュニティの真正性と有害性を明らかにすることができる。
  論文  参考訳（メタデータ） (2021-09-27T13:39:10Z)
• Towards A Sentiment Analyzer for Low-Resource Languages [0.0]
  本研究は,当時盛んに議論されてきた特定のトレンドトピックに対して,ユーザの感情を分析することを目的としている。 2019年のインドネシア大統領選挙で話題になったハッシュタグのtextit#kpujangancurangを使っています。 本研究は,ラピッドマイニングツールを用いて,Twitterデータを生成し,Nieve Bayes,K-Nearest Neighbor,Decision Tree,Multi-Layer Perceptronの分類手法を比較し,Twitterデータの感情を分類する。
  論文  参考訳（メタデータ） (2020-11-12T13:50:00Z)
• Adversarial Attack on Large Scale Graph [58.741365277995044]
  近年の研究では、グラフニューラルネットワーク(GNN)は堅牢性の欠如により摂動に弱いことが示されている。 現在、GNN攻撃に関するほとんどの研究は、主に攻撃を誘導し、優れたパフォーマンスを達成するために勾配情報を使用している。 主な理由は、攻撃にグラフ全体を使わなければならないため、データスケールが大きくなるにつれて、時間と空間の複雑さが増大するからです。 本稿では,グラフデータに対する敵攻撃の影響を測定するために,DAC(Degree Assortativity Change)という実用的な指標を提案する。
  論文  参考訳（メタデータ） (2020-09-08T02:17:55Z)
• Fine-Grained Crowd Counting [59.63412475367119]
  現在の群衆カウントアルゴリズムは、画像内の人の数にのみ関係している。 本研究では,各個体の低レベル行動特性に基づいて,群集をカテゴリに分類する,きめ細かい群集カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-13T01:31:12Z)
• TIMME: Twitter Ideology-detection via Multi-task Multi-relational Embedding [26.074367752142198]
  我々は、人々のイデオロギーや政治的傾向を予測する問題を解決することを目的としている。 我々は、Twitterデータを用いてそれを推定し、分類問題として定式化する。
  論文  参考訳（メタデータ） (2020-06-02T00:00:39Z)

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。