論文の概要: Density-aware Walks for Coordinated Campaign Detection

• arxiv url: http://arxiv.org/abs/2506.13912v1
• Date: Mon, 16 Jun 2025 18:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.210961
• Title: Density-aware Walks for Coordinated Campaign Detection
• Title（参考訳）: 協調動作検出のための密度認識ウォーク
• Authors: Atul Anand Gopalakrishnan, Jakir Hossain, Tuğrulcan Elmas, Ahmet Erdem Sarıyüce,
• Abstract要約: コーディネートされたキャンペーンは、ソーシャルメディアプラットフォームをしばしば活用し、トピックを人工的に増幅し、不正確なトレンドをオーガニックに見せ、ユーザをエンゲージメントに誤解させる。 本研究は,問題をグラフ分類タスクとしてモデル化することで協調キャンペーンを検出することに焦点を当てる。 最近導入されたLarge Engagement Networks (LEN)データセットを利用することで、2023年のトルコ大統領選挙に先立ち、Twitter上のフェイクトレンドと認証トレンドの両方からエンゲージメントパターンをキャプチャする300以上のネットワークを含む。
• 参考スコア（独自算出の注目度）: 1.3595147353266148
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coordinated campaigns frequently exploit social media platforms by artificially amplifying topics, making inauthentic trends appear organic, and misleading users into engagement. Distinguishing these coordinated efforts from genuine public discourse remains a significant challenge due to the sophisticated nature of such attacks. Our work focuses on detecting coordinated campaigns by modeling the problem as a graph classification task. We leverage the recently introduced Large Engagement Networks (LEN) dataset, which contains over 300 networks capturing engagement patterns from both fake and authentic trends on Twitter prior to the 2023 Turkish elections. The graphs in LEN were constructed by collecting interactions related to campaigns that stemmed from ephemeral astroturfing. Established graph neural networks (GNNs) struggle to accurately classify campaign graphs, highlighting the challenges posed by LEN due to the large size of its networks. To address this, we introduce a new graph classification method that leverages the density of local network structures. We propose a random weighted walk (RWW) approach in which node transitions are biased by local density measures such as degree, core number, or truss number. These RWWs are encoded using the Skip-gram model, producing density-aware structural embeddings for the nodes. Training message-passing neural networks (MPNNs) on these density-aware embeddings yields superior results compared to the simpler node features available in the dataset, with nearly a 12\% and 5\% improvement in accuracy for binary and multiclass classification, respectively. Our findings demonstrate that incorporating density-aware structural encoding with MPNNs provides a robust framework for identifying coordinated inauthentic behavior on social media networks such as Twitter.
• Abstract（参考訳）: コーディネートされたキャンペーンは、ソーシャルメディアプラットフォームをしばしば活用し、トピックを人工的に増幅し、不正確なトレンドをオーガニックに見せ、ユーザをエンゲージメントに誤解させる。 これらの協調的努力を真の公的な談話から排除することは、そのような攻撃の洗練された性質のため、依然として重要な課題である。 本研究は,問題をグラフ分類タスクとしてモデル化することで協調キャンペーンを検出することに焦点を当てる。 最近導入されたLarge Engagement Networks (LEN)データセットを利用することで、2023年のトルコ大統領選挙に先立ち、Twitter上のフェイクトレンドと認証トレンドの両方からエンゲージメントパターンをキャプチャする300以上のネットワークを含む。 LENのグラフは、短命の天体変動から生じた運動に関連する相互作用を収集することによって構築された。 確立されたグラフニューラルネットワーク(GNN)は,キャンペーングラフの正確な分類に苦慮している。 そこで本研究では,局所ネットワーク構造の密度を利用した新しいグラフ分類手法を提案する。 本稿では,次数,コア数,トラス数などの局所密度測定値によってノード遷移がバイアスを受けるランダム重み付き歩行(RWW)手法を提案する。 これらのRWWはSkip-gramモデルを用いて符号化され、ノードに対する密度認識構造埋め込みを生成する。 これらの密度を意識した埋め込みでメッセージパッシングニューラルネットワーク(MPNN)をトレーニングすると、データセットで利用可能な単純なノード機能よりも優れた結果が得られる。 以上の結果から,密度認識型構造エンコーディングをMPNNに組み込むことで,Twitterなどのソーシャルメディア上での協調的不正行為を識別する,堅牢なフレームワークが提供されることが示唆された。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
  本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。 階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。 実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-08-04T21:49:29Z)
• Improving Fraud detection via Hierarchical Attention-based Graph Neural Network [6.7713383844867385]
  不正検出のためのグラフニューラルネットワーク(HA-GNN)は、カモフラージュに対する異なる関係にわたって重み付けされた隣接行列を組み込む。 ローカル/ロングレンジ構造と元のノード特徴から情報を集約してノード埋め込みを生成する。 実世界の3つのデータセットの実験は、最先端技術に対する我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2022-02-12T16:27:16Z)

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。