Fugu-MT 論文翻訳(概要): LLM-Empowered Class Imbalanced Graph Prompt Learning for Online Drug Trafficking Detection

論文の概要: LLM-Empowered Class Imbalanced Graph Prompt Learning for Online Drug Trafficking Detection

arxiv url: http://arxiv.org/abs/2503.01900v1
Date: Fri, 28 Feb 2025 04:38:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:22:46.542016
Title: LLM-Empowered Class Imbalanced Graph Prompt Learning for Online Drug Trafficking Detection
Title（参考訳）: LLM-Empowered Class Un Balanced Graph Prompt Learning for Online Drug Trafficking Detection
Authors: Tianyi Ma, Yiyue Qian, Zehong Wang, Zheyuan Zhang, Chuxu Zhang, Yanfang Ye,
Abstract要約: 本稿では, LLM-HetGDT と呼ばれる, 違法な薬物トラヒック検出のための, 大規模言語モデルを用いた不均質グラフプロンプト学習フレームワークを提案する。オンライン違法薬物密売行為を包括的に研究するために、Twitter上にTwitter-HetDrugと呼ばれる新しいHGデータセットを収集します。
参考スコア（独自算出の注目度）: 38.91922772215121
License:
Abstract: As the market for illicit drugs remains extremely profitable, major online platforms have become direct-to-consumer intermediaries for illicit drug trafficking participants. These online activities raise significant social concerns that require immediate actions. Existing approaches to combating this challenge are generally impractical, due to the imbalance of classes and scarcity of labeled samples in real-world applications. To this end, we propose a novel Large Language Model-empowered Heterogeneous Graph Prompt Learning framework for illicit Drug Trafficking detection, called LLM-HetGDT, that leverages LLM to facilitate heterogeneous graph neural networks (HGNNs) to effectively identify drug trafficking activities in the class-imbalanced scenarios. Specifically, we first pre-train HGNN over a contrastive pretext task to capture the inherent node and structure information over the unlabeled drug trafficking heterogeneous graph (HG). Afterward, we employ LLM to augment the HG by generating high-quality synthetic user nodes in minority classes. Then, we fine-tune the soft prompts on the augmented HG to capture the important information in the minority classes for the downstream drug trafficking detection task. To comprehensively study online illicit drug trafficking activities, we collect a new HG dataset over Twitter, called Twitter-HetDrug. Extensive experiments on this dataset demonstrate the effectiveness, efficiency, and applicability of LLM-HetGDT.
Abstract（参考訳）: 違法薬物の市場は依然として極めて黒字であり、主要なオンラインプラットフォームは違法薬物密売参加者の消費者直接仲介者となっている。これらのオンライン活動は、即時行動を必要とする重要な社会的懸念を引き起こす。この課題に対処するための既存のアプローチは、クラスの不均衡と実世界のアプリケーションにおけるラベル付きサンプルの不足のため、一般的には非現実的である。そこで本論文では,LLM-HetGDT(Large Language Model-empowered Heterogeneous Graph Prompt Learning framework for illicit Drug Trafficking Detection, LLM-HetGDT)を提案する。具体的には,HGNNを事前訓練し,非ラベルの薬物取引ヘテロジニアスグラフ(HG)上の固有ノードと構造情報をキャプチャする。その後、マイノリティクラスで高品質な合成ユーザノードを生成することで、HGを増強するためにLLMを使用します。そこで我々は, 下流の薬物輸送検知タスクにおいて, 少数クラスの重要な情報を収集するために, 強化HGのソフトプロンプトを微調整する。オンライン違法薬物密売行為を包括的に研究するために、Twitter上にTwitter-HetDrugと呼ばれる新しいHGデータセットを収集します。このデータセットに関する大規模な実験は、LLM-HetGDTの有効性、効率、適用性を示している。

関連論文リスト

Graph Diffusion Network for Drug-Gene Prediction [38.00034058447254]
薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を提案する。メタパスに基づく同種グラフ学習を用いて、薬物・薬物・遺伝子関係を捉える。第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。
論文参考訳（メタデータ） (2025-02-13T13:54:58Z)
HaloScope: Harnessing Unlabeled LLM Generations for Hallucination Detection [55.596406899347926]
HaloScopeは、幻覚検出のために、未ラベルの大規模言語モデルを活用する新しい学習フレームワークである。未ラベル混合データ中の真偽と非真偽の世代を区別する自動会員推定スコアを提案する。実験により、HaloScopeはより優れた幻覚検出性能を達成でき、競争相手よりもかなりの差で勝っていることが示された。
論文参考訳（メタデータ） (2024-09-26T03:22:09Z)
Enhancing Graph Neural Networks with Limited Labeled Data by Actively Distilling Knowledge from Large Language Models [30.867447814409623]
グラフニューラルネットワーク(GNN)は、グラフの基本課題であるノード分類において優れた能力を持つ。本稿では,Large Language Models(LLM)とGNNを統合する新しい手法を提案する。我々のモデルでは,ラベル付きデータによるノード分類精度を著しく向上し,最先端のベースラインをかなりのマージンで超えた。
論文参考訳（メタデータ） (2024-07-19T02:34:10Z)
Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
論文参考訳（メタデータ） (2024-06-12T06:36:37Z)
Mitigating Object Hallucination in Large Vision-Language Models via Classifier-Free Guidance [56.04768229686853]
LVLM(Large Vision-Language Models)は、画像中の既存の物体を幻覚させる傾向がある。私たちはclassifieR-Free guIdaNcE (MARINE)を介してMitigating HallucinAtionと呼ばれるフレームワークを導入する。 MARINEはトレーニングフリーかつAPIフリーであり、生成プロセス中のオブジェクト幻覚を効果的かつ効率的に低減することができる。
論文参考訳（メタデータ） (2024-02-13T18:59:05Z)
Unveiling the Potential of Knowledge-Prompted ChatGPT for Enhancing Drug Trafficking Detection on Social Media [30.791563171321062]
そこで本研究では,人間がLLMと対話し,その検出作業を行うためのインタフェースとして,emphknowledgeインフォームドプロンプトを構成するための分析フレームワークを提案する。実験により,本フレームワークは薬物輸送検出精度において,他のベースライン言語モデルよりも優れていることが示された。この研究がソーシャルネットワークにもたらした意味は、オンラインのセキュリティと公衆安全を改善するための分析ツールに事前知識とシナリオベースのプロンプトを組み込むことの重要性を強調している。
論文参考訳（メタデータ） (2023-07-07T16:15:59Z)
SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
論文参考訳（メタデータ） (2022-06-20T14:53:25Z)
Detection of Illicit Drug Trafficking Events on Instagram: A Deep Multimodal Multilabel Learning Approach [18.223055392013542]
Instagram上では、違法薬物密売事件(IDTE)の詳細な検出に関する最初の系統的研究を行っている。具体的には,本モデルでは,テキストと画像データを入力とし,マルチモーダル情報を組み合わせて複数の違法薬物のラベルを予測する。我々は,不正薬物の詳細な検出を支援するために,手動で注釈付き複数の薬物ラベルを付加した大規模データセットMM-IDTEを構築した。
論文参考訳（メタデータ） (2021-08-19T21:16:21Z)
Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
論文参考訳（メタデータ） (2021-06-12T22:22:10Z)

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。