論文の概要: BotTrans: A Multi-Source Graph Domain Adaptation Approach for Social Bot Detection
- arxiv url: http://arxiv.org/abs/2506.13795v1
- Date: Thu, 12 Jun 2025 02:10:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.144492
- Title: BotTrans: A Multi-Source Graph Domain Adaptation Approach for Social Bot Detection
- Title（参考訳）: BotTrans:ソーシャルボット検出のためのマルチソースグラフドメイン適応アプローチ
- Authors: Boshen Shi, Yongqing Wang, Fangda Guo, Jiangli Shao, Huawei Shen, Xueqi Cheng,
- Abstract要約: ソーシャルボットを検出するために,textitBotTrans というマルチソースグラフドメイン適応モデルを提案する。
まず、複数のソースネットワーク間で共有されるラベル付けの知識を活用して、クロスソースドメイントポロジを確立します。
次に、ソースノード埋め込みの識別性を高めるために、クロスドメイン隣の情報を集約する。
- 参考スコア（独自算出の注目度）: 55.31623652907614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transferring extensive knowledge from relevant social networks has emerged as a promising solution to overcome label scarcity in detecting social bots and other anomalies with GNN-based models. However, effective transfer faces two critical challenges. Firstly, the network heterophily problem, which is caused by bots hiding malicious behaviors via indiscriminately interacting with human users, hinders the model's ability to learn sufficient and accurate bot-related knowledge from source domains. Secondly, single-source transfer might lead to inferior and unstable results, as the source network may embody weak relevance to the task and provide limited knowledge. To address these challenges, we explore multiple source domains and propose a multi-source graph domain adaptation model named \textit{BotTrans}. We initially leverage the labeling knowledge shared across multiple source networks to establish a cross-source-domain topology with increased network homophily. We then aggregate cross-domain neighbor information to enhance the discriminability of source node embeddings. Subsequently, we integrate the relevance between each source-target pair with model optimization, which facilitates knowledge transfer from source networks that are more relevant to the detection task. Additionally, we propose a refinement strategy to improve detection performance by utilizing semantic knowledge within the target domain. Extensive experiments on real-world datasets demonstrate that \textit{BotTrans} outperforms the existing state-of-the-art methods, revealing its efficacy in leveraging multi-source knowledge when the target detection task is unlabeled.
- Abstract（参考訳）: 関連するソーシャルネットワークから広範な知識を伝達することは、GNNベースのモデルでソーシャルボットやその他の異常を検出する際のラベル不足を克服する、有望な解決策として浮上している。
しかし、効果的な転送は2つの重要な課題に直面している。
まず、人間のユーザと無差別に対話することで悪意ある行動を隠すボットによって引き起こされるネットワークヘテロフィリ問題は、モデルがソースドメインから十分な正確なボット関連知識を学習する能力を妨げている。
第二に、ソースネットワークはタスクに対する弱い関連性を具現化し、限られた知識を提供するため、単一ソース転送は劣等で不安定な結果をもたらす可能性がある。
これらの課題に対処するため、複数のソースドメインを探索し、textit{BotTrans} という名前のマルチソースグラフドメイン適応モデルを提案する。
当初、複数のソースネットワーク間で共有されるラベル付けの知識を活用して、ネットワークのホモフィリーを高めたクロスソースドメイントポロジを確立しました。
次に、ソースノード埋め込みの識別性を高めるために、クロスドメイン隣の情報を集約する。
その後、各ソースとターゲットのペア間の関連性をモデル最適化と統合し、検出タスクにより関係のあるソースネットワークからの知識伝達を容易にする。
さらに,対象領域内の意味的知識を活用することにより,検出性能を向上させるための改良戦略を提案する。
実世界のデータセットに対する大規模な実験により、‘textit{BotTrans}’は既存の最先端メソッドよりも優れており、ターゲット検出タスクがラベル付けされていない場合に、マルチソース知識を活用する効果が示された。
関連論文リスト
- Boosting Bot Detection via Heterophily-Aware Representation Learning and Prototype-Guided Cluster Discovery [16.548403922027248]
BotHPはグラフベースのボット検出器を強化するために設計された、生成的なグラフ自己監視学習フレームワークである。
ノードの共通性をキャプチャするためにグラフ対応エンコーダと、ノードの特異性を保存するためにグラフに依存しないエンコーダからなるデュアルエンコーダアーキテクチャを使用する。
グラフベースのボット検出器を一貫して強化し、検出性能を改善し、ラベル依存を緩和し、一般化能力を向上する。
論文 参考訳（メタデータ） (2025-06-01T12:44:53Z) - Transfer Learning Under High-Dimensional Network Convolutional Regression Model [20.18595334666282]
ネットワーク畳み込み回帰(NCR)に基づく高次元移動学習フレームワークを提案する。
提案手法は、ソースとターゲットネットワーク間のドメインシフトに対処する2段階の転送学習アルゴリズムを含む。
Sina Weiboデータを用いたシミュレーションや実世界のアプリケーションを含む経験的評価は、予測精度を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2025-04-28T16:52:28Z) - Bridged-GNN: Knowledge Bridge Learning for Effective Knowledge Transfer [65.42096702428347]
グラフニューラルネットワーク(GNN)は、隣接するノードから情報を集約する。
知識ブリッジ学習(KBL)は、対象ドメインに対する知識強化後部分布を学習する。
Bridged-GNNには、Bridged-Graphを構築するためのAdaptive Knowledge Retrievalモジュールと、Graph Knowledge Transferモジュールが含まれている。
論文 参考訳（メタデータ） (2023-08-18T12:14:51Z) - GCN-based Multi-task Representation Learning for Anomaly Detection in
Attributed Networks [31.565081319419225]
近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。
従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。
マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-08T04:54:53Z) - Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。
大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。
我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
論文 参考訳（メタデータ） (2022-04-08T03:37:56Z) - NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。
この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。
ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
論文 参考訳（メタデータ） (2022-02-23T02:03:35Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z)
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。