Fugu-MT 論文翻訳(概要): DeSocial: Blockchain-based Decentralized Social Networks

論文の概要: DeSocial: Blockchain-based Decentralized Social Networks

arxiv url: http://arxiv.org/abs/2505.21388v2
Date: Wed, 28 May 2025 19:06:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-30 13:10:25.760048
Title: DeSocial: Blockchain-based Decentralized Social Networks
Title（参考訳）: DeSocial:ブロックチェーンベースの分散ソーシャルネットワーク
Authors: Jingyuan Huang, Xi Zhu, Minghao Guo, Yongfeng Zhang,
Abstract要約: DeSocialは、アルゴリズムローカル開発チェーン(Ganache)上にデプロイされた分散型のソーシャルネットワーク学習フレームワークである。 DeSocialは実行をコーディネートし、モデルワイズ予測結果を返すことで、パーソナライズされた社会的予測に最適なバックボーンを選択することができる。 DeSocialは、各ユーザが指定したアルゴリズムを持ついくつかの検証ノードを均一に選択し、多数決によって予測結果を集計する。
参考スコア（独自算出の注目度）: 32.576809043676775
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Web 2.0 social platforms are inherently centralized, with user data and algorithmic decisions controlled by the platform. However, users can only passively receive social predictions without being able to choose the underlying algorithm, which limits personalization. Fortunately, with the emergence of blockchain, users are allowed to choose algorithms that are tailored to their local situation, improving prediction results in a personalized way. In a blockchain environment, each user possesses its own model to perform the social prediction, capturing different perspectives on social interactions. In our work, we propose DeSocial, a decentralized social network learning framework deployed on an Ethereum (ETH) local development chain that integrates distributed data storage, node-level consensus, and user-driven model selection through Ganache. In the first stage, each user leverages DeSocial to evaluate multiple backbone models on their local subgraph. DeSocial coordinates the execution and returns model-wise prediction results, enabling the user to select the most suitable backbone for personalized social prediction. Then, DeSocial uniformly selects several validation nodes that possess the algorithm specified by each user, and aggregates the prediction results by majority voting, to prevent errors caused by any single model's misjudgment. Extensive experiments show that DeSocial has an evident improvement compared to the five classical centralized social network learning models, promoting user empowerment in blockchain-based decentralized social networks, showing the importance of multi-node validation and personalized algorithm selection based on blockchain. Our implementation is available at: https://github.com/agiresearch/DeSocial.
Abstract（参考訳）: Web 2.0ソーシャルプラットフォームは本質的に集中型であり、ユーザデータとアルゴリズムによる決定はプラットフォームによって制御される。しかしユーザは、パーソナライゼーションを制限するアルゴリズムを選択することなく、社会的予測を受動的に受け取ることができる。幸いなことに、ブロックチェーンの出現により、ユーザーはローカルな状況に合わせてアルゴリズムを選択することができ、個人化された方法で予測結果を改善することができる。ブロックチェーン環境では、各ユーザが独自のモデルを持って、ソーシャルなインタラクションに関するさまざまな視点をキャプチャする。本稿では,分散データストレージ,ノードレベルのコンセンサス,Ganacheによるユーザ主導モデル選択を統合した,Ethereum(ETH)ローカル開発チェーン上にデプロイされた分散型ソーシャルネットワーク学習フレームワークであるDeSocialを提案する。最初の段階では、各ユーザがDeSocialを活用して、ローカルサブグラフ上で複数のバックボーンモデルを評価する。 DeSocialは実行をコーディネートし、モデルワイズ予測結果を返すことで、パーソナライズされた社会的予測に最適なバックボーンを選択することができる。次に、DeSocialは、各ユーザが指定したアルゴリズムを持つバリデーションノードを均一に選択し、多数決によって予測結果を集計し、任意の単一モデルの誤判断によるエラーを防止する。大規模な実験によると、DeSocialは従来の5つの中央集中型ソーシャルネットワーク学習モデルと比較して明らかに改善されており、ブロックチェーンベースの分散型ソーシャルネットワークにおけるユーザエンパワーメントを促進し、ブロックチェーンに基づいたマルチノード検証とパーソナライズされたアルゴリズム選択の重要性を示している。私たちの実装は、https://github.com/agiresearch/DeSocial.comで利用可能です。

関連論文リスト

Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
論文参考訳（メタデータ） (2024-05-27T02:45:01Z)
Social-Aware Clustered Federated Learning with Customized Privacy Preservation [38.00035804720786]
本稿では,ソーシャル・アウェア・クラスタ・フェデレーション・ラーニングの新たな手法を提案する。モデル更新をソーシャルグループに混ぜ合わせることで、敵はソーシャル層を組み合わせた結果のみを盗むことができるが、個人のプライバシーを盗むことはできない。 FacebookネットワークとMNIST/CIFAR-10データセットの実験は、SCFLが学習ユーティリティを効果的に強化し、ユーザの支払いを改善し、カスタマイズ可能なプライバシ保護を強制できることを検証する。
論文参考訳（メタデータ） (2022-12-25T10:16:36Z)
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文参考訳（メタデータ） (2022-09-04T06:22:37Z)
Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。私たちはそれを示します。戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。私たちはそれを示します。戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文参考訳（メタデータ） (2021-12-17T12:47:18Z)
Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文参考訳（メタデータ） (2021-11-21T09:41:39Z)
Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks [0.734084539365505]
予測は典型的には教師なしまたは教師なしの学習に基づいている。個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。社会的認識が予測性能に大きな改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-09-19T18:49:10Z)
GitEvolve: Predicting the Evolution of GitHub Repositories [31.814226661858694]
GitHubリポジトリの進化を予測するシステムであるGitEvolveを提案する。私たちは、人気を予測するために共通の関心をモデル化することで、ユーザをグループにマップします。提案したマルチタスクアーキテクチャは汎用的であり、他のソーシャルネットワークで情報拡散をモデル化するために拡張することができる。
論文参考訳（メタデータ） (2020-10-09T04:32:15Z)
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
論文参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。