論文の概要: Detecting Fake Reviewer Groups in Dynamic Networks: An Adaptive Graph Learning Method

• arxiv url: http://arxiv.org/abs/2603.08332v1
• Date: Mon, 09 Mar 2026 12:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.998657
• Title: Detecting Fake Reviewer Groups in Dynamic Networks: An Adaptive Graph Learning Method
• Title（参考訳）: 動的ネットワークにおけるフェイクレビュアー群の検出:適応的グラフ学習法
• Authors: Jing Zhang, Ke Huang, Yao Zhang, Bin Guo, Zhiwen Yu,
• Abstract要約: フェイクレビューは、オンラインプラットフォームにおける消費者の信頼と公正競争を損なう。 偽レビュアーグループを検出するための新しいグラフ学習モデルであるDS-DGA-GCNを提案する。 DS-DGA-GCNは、製品、レビュー、レビュアー間の共同関係に焦点を当てており、堅牢な検出を実現している。
• 参考スコア（独自算出の注目度）: 21.277835919988675
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The proliferation of fake reviews, often produced by organized groups, undermines consumer trust and fair competition on online platforms. These groups employ sophisticated strategies that evade traditional detection methods, particularly in cold-start scenarios involving newly launched products with sparse data. To address this, we propose the \underline{D}iversity- and \underline{S}imilarity-aware \underline{D}ynamic \underline{G}raph \underline{A}ttention-enhanced \underline{G}raph \underline{C}onvolutional \underline{N}etwork (DS-DGA-GCN), a new graph learning model for detecting fake reviewer groups. DS-DGA-GCN achieves robust detection since it focuses on the joint relationships among products, reviews, and reviewers by modeling product-review-reviewer networks. DS-DGA-GCN also achieves adaptive detection by integrating a Network Feature Scoring (NFS) system and a new dynamic graph attention mechanism. The NFS system quantifies network attributes, including neighbor diversity, network self-similarity, as a unified feature score. The dynamic graph attention mechanism improves the adaptability and computational efficiency by captures features related to temporal information, node importance, and global network structure. Extensive experiments conducted on two real-world datasets derived from Amazon and Xiaohongshu demonstrate that DS-DGA-GCN significantly outperforms state-of-the-art baselines, achieving accuracies of up to \textbf{89.8\% and 88.3\%}, respectively.
• Abstract（参考訳）: 組織団体がしばしば生み出す偽レビューの拡散は、オンラインプラットフォームにおける消費者信頼と公正競争を損なう。 これらのグループは、特にスパースデータを新たに立ち上げた製品を含むコールドスタートシナリオにおいて、従来の検出方法を回避する洗練された戦略を採用している。 これを解決するために、偽レビュアー群を検出するための新しいグラフ学習モデルである \underline{D}iversity- および \underline{S}imilarity-aware \underline{D}ynamic \underline{G}raph \underline{A}ttention-enhanced \underline{G}raph \underline{C}onvolutional \underline{N}etwork (DS-DGA-GCN)を提案する。 DS-DGA-GCNは製品レビュー・レビュー・リビューアネットワークをモデル化することで,製品,レビュー,レビュア間の共同関係に焦点を合わせ,ロバストな検出を実現する。 DS-DGA-GCNはNFS(Network Feature Scoring)システムと新しい動的グラフアテンション機構を統合することで適応検出も実現している。 NFSシステムは、近隣の多様性、ネットワークの自己相似性を含むネットワーク属性を統一的な特徴スコアとして定量化する。 動的グラフアテンション機構は、時間情報、ノードの重要性、グローバルネットワーク構造に関連する特徴をキャプチャすることで、適応性と計算効率を向上させる。 Amazon と Xiaohongshu から派生した2つの実世界のデータセットで実施された大規模な実験により、DS-DGA-GCN は最先端のベースラインを著しく上回り、それぞれ textbf{89.8\% と 88.3\% の精度を達成した。

関連論文リスト

• A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction [0.5836991649815993]
  スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。 本研究では,候補リンクを囲む部分グラフを抽出することで,Temporal Graph Networksフレームワークを改善する。 スパースCDRデータセットの実験により、我々の手法は標準のTGNよりも平均精度を2.6%向上させることが示された。
  論文  参考訳（メタデータ） (2026-02-15T17:16:47Z)
• GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
  本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。 本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。 中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
  論文  参考訳（メタデータ） (2025-10-08T17:45:59Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• A Deep Learning Framework for Evaluating Dynamic Network Generative Models and Anomaly Detection [0.0]
  本稿では,DGSP-GCN(グラフ畳み込みネットワークに基づく動的グラフ類似度予測)を提案する。 グラフ畳み込みネットワークと動的グラフ信号処理技術を統合し、生成モデルを評価し、動的ネットワークの異常を検出する統一的なソリューションを提供する。 WikiMath、Chickenpox、PedalMe、MontevideoBus、MetraLaの5つの実世界のデータセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-15T09:19:09Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Graph Neural Networks for Inconsistent Cluster Detection in Incremental Entity Resolution [3.4806267677524896]
  成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。 本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。 既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
  論文  参考訳（メタデータ） (2021-05-12T20:39:22Z)

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。