論文の概要: MoltGraph: A Longitudinal Temporal Graph Dataset of Moltbook for Coordinated-Agent Detection
- arxiv url: http://arxiv.org/abs/2603.00646v1
- Date: Sat, 28 Feb 2026 13:35:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.307024
- Title: MoltGraph: A Longitudinal Temporal Graph Dataset of Moltbook for Coordinated-Agent Detection
- Title（参考訳）: MoltGraph:Coordinated-Agent 検出のための Moltbook の経時的時間グラフデータセット
- Authors: Kunal Mukherjee, Cuneyt Gurcan Akcora, Murat Kantarcioglu,
- Abstract要約: エージェントがどのように振る舞うかを研究するための,現実的な縦型エージェントネットワークグラフデータセットとして,MortGraphを紹介した。
MoltGraphを用いて、動的ネットワークとしてMoltbookを初めてグラフ中心で特徴づける。
- 参考スコア（独自算出の注目度）: 16.012649349461473
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Agent-native social platforms such as Moltbook are rapidly emerging, yet they inherit and amplify classical influence and abuse attacks, where coordinated agents strategically comment and upvote to manipulate visibility and propagate narratives across communities. However, rigorous measurement and learning-based monitoring remain constrained by the absence of longitudinal, graph-native datasets for agentic social networks that jointly capture heterogeneous interactions, temporal drift, and visibility signals needed to connect coordination behavior to downstream exposure. We introduce MoltGraph as a realistic longitudinal agentic social-network graph dataset for studying how agents behave, coordinate, and evolve in the wild, enabling reproducible measurement on emerging multi-agent social ecosystems. Using MoltGraph, we provide the first graph-centric characterization of Moltbook as a dynamic network: (i) heavy-tailed connectivity with power-law exponents in the range alpha in [1.86, 2.72], (ii) accelerating hub formation and attention centralization where the top 1% agents account for 29.00% of engagements, (iii) bursty, short-lived coordination episodes, 98.33% last under 24 hours, and (iv) measurable exposure effects across submolts. In matched analyses, posts receiving coordinated engagement exhibit 506.35% higher early interaction rates (within H=5 days) and 242.63% higher downstream exposure in feeds than non-coordinated controls.
- Abstract（参考訳）: モルトブックのようなエージェントネイティブな社会プラットフォームは急速に発展しているが、彼らは古典的な影響力と虐待の攻撃を継承し、増幅している。
しかし、厳密な計測と学習に基づくモニタリングは、不均一な相互作用、時間的ドリフト、下流の露光と協調するために必要な可視性信号を共同でキャプチャするエージェントソーシャルネットワークのための、縦長のグラフネイティブなデータセットが存在しないことによる制約が残っている。
エージェントが野生でどのように振る舞うか、コーディネートし、どのように進化するかを研究するために、現実的な縦長のエージェントネットワークグラフデータセットとしてMortGraphを導入し、新たなマルチエージェント社会エコシステムの再現可能な測定を可能にした。
MoltGraphを使用して、動的ネットワークとしてMoltbookを初めてグラフ中心で特徴づける。
(i)[1.86, 2.72]のα範囲における電力則指数との重尾接続
2 上位1%のエージェントが29.00%のエンゲージメントを担っているハブ形成とアテンション集中の促進
(三)バースト、短命の調整エピソード、98.33%の持続時間24時間
(4)サブモルトに対する測定可能な露光効果。
一致した分析では、コーディネートされたエンゲージメントを受けたポストは、初期の相互作用速度(H=5日)が506.35%高く、フィードの下流への露出が非コーディネートコントロールよりも242.63%高い。
関連論文リスト
- Let There Be Claws: An Early Social Network Analysis of AI Agents on Moltbook [0.0]
ローンチから12日以内に、AIネイティブなソーシャルプラットフォームは、極端な注意集中、階層的な役割分離、一方的な注意の流れを示す。
我々は,共同参加型・指向型グラフを構築し,相互性,コミュニティ構造,中央集権性について報告する。
これらの結果は、大規模エージェント-エージェント・ソーシャル・インタラクションのための初期の構造的ベースラインを提供する。
論文 参考訳（メタデータ） (2026-02-23T16:57:07Z) - InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs [72.5651722107621]
InterAgentはテキスト駆動型物理ベースのマルチエージェントヒューマノイド制御のためのエンドツーエンドフレームワークである。
本稿では,マルチストリームブロックを備えた自己回帰拡散トランスフォーマーを提案する。
また,空間依存性の微粒化を明示的に捉えた対話グラフのエクスセプション表現を提案する。
論文 参考訳（メタデータ） (2025-12-08T10:46:01Z) - Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。
その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。
グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
論文 参考訳（メタデータ） (2025-04-24T22:49:28Z) - A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation [4.568104644312763]
このアプローチを連続時間動的グラフの生成フレームワークであるDG-Genとして定式化する。
実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。
論文 参考訳（メタデータ） (2024-12-20T05:34:11Z) - LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。
GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。
得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
論文 参考訳（メタデータ） (2024-10-13T12:57:08Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - Inferring Latent Temporal Sparse Coordination Graph for Multi-Agent Reinforcement Learning [19.386588137176933]
マルチエージェント強化学習(MARL)のための潜時スパース座標グラフ(LTS-CG)を提案する。
このグラフ学習プロセスは、エージェントが今後の観測を予測できる予測・フューチャー(Predict-Future)と、限られたデータから環境コンテキストを徹底的に把握するInfer-Present(Infer-Present)という、2つの革新的な特徴によってさらに強化されている。
StarCraft IIベンチマークの結果はLTS-CGの優れた性能を裏付けるものだった。
論文 参考訳（メタデータ） (2024-03-28T09:20:15Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Temporal Graph Signal Decomposition [12.996990722929294]
時間グラフ信号分解(TGSD)のための汎用的辞書ベースのフレームワークを提案する。
鍵となるアイデアは、グラフと時間辞書を組み合わせることで、データの低ランクでジョイントなエンコーディングを学ぶことである。
本フレームワークは, 観測の75%が欠落した時点の基準線と比較して, RMSEの28%の低減を実現している。
論文 参考訳（メタデータ） (2021-06-25T09:19:15Z)
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。