論文の概要: SAHG: Sector-Anisotropic Hyperbolic Graph Model for Social Bot Detection

• arxiv url: http://arxiv.org/abs/2605.30166v1
• Date: Thu, 28 May 2026 16:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.481019
• Title: SAHG: Sector-Anisotropic Hyperbolic Graph Model for Social Bot Detection
• Title（参考訳）: SAHG:社会ボット検出のためのセクタ異方性双曲グラフモデル
• Authors: Hanning Lu, Yingguang Yang, Jinwei Su, Yang Liu, Zhaoqian Yao, Yaoming Li, Taoran Liang, Ziyi Zhang, Ran Ran, Kefu Xu, Bin Chong,
• Abstract要約: textscSAHG は方向依存の曲率場 $(u)$ を学ぶ。 Fox8-23、BotSim-24、MGTABの実験では、textscSAHGは3つのベンチマークで最高精度とF1を達成した。
• 参考スコア（独自算出の注目度）: 13.157204493239282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-driven social bots can generate fluent, human-like text, reducing the discriminative advantage of content-based detection alone. However, coordinated campaigns still leave relational patterns -- interactions, behavioral similarity, shared neighborhoods, community positions, and coordinated activity -- that graph-based methods can exploit. Existing graph detectors face two challenges when exploiting such evidence. First, Euclidean GNNs distort hierarchical and scale-free social graphs; while hyperbolic geometry addresses this volume-growth mismatch, fixed-curvature models still assign uniform geometric resolution to structural directions with different densities and separation needs. Second, relational evidence is not always reliable: sophisticated bots forge heterophilic connections with genuine users, causing neighborhood aggregation to mix bot and human signals and dilute account-level evidence. We propose \textsc{SAHG} (Sector-Anisotropic Hyperbolic Graph), addressing both challenges. \textsc{SAHG} learns a direction-dependent curvature field $γ(u)$ that adapts geometric resolution across structural directions, and uses sector prototypes to convert angular concentration and alignment into classifier-readable features. To prevent contaminated aggregation from overwhelming account-level evidence, \textsc{SAHG} encodes per-account features and graph-neighborhood representations in two independent SAH channels, fusing them only at the classifier. Experiments on Fox8-23, BotSim-24, and MGTAB show that \textsc{SAHG} achieves the highest accuracy and F1 on all three benchmarks, outperforming feature-based, graph-based, LLM-based, and isotropic hyperbolic baselines. Ablation and geometric analyses confirm the effectiveness of the anisotropic geometry and dual-channel design.
• Abstract（参考訳）: LLMを駆使したソーシャルボットは、流動的で人間らしいテキストを生成することができ、コンテンツに基づく検出のみの差別的優位性を減らすことができる。 しかし、コーディネートされたキャンペーンには、グラフベースの手法が活用できるリレーショナルなパターン -- インタラクション、振る舞いの類似性、共有地区、コミュニティの位置、コーディネートされたアクティビティ -- が残されている。 既存のグラフ検出器は、そのような証拠を利用する際に2つの課題に直面している。 まず、ユークリッドGNNは階層的かつスケールのない社会グラフを歪め、双曲幾何学はこの体積成長ミスマッチに対処するが、固定曲率モデルは、異なる密度と分離ニーズを持つ構造方向に対して均一な幾何学的分解を割り当てる。 第二に、リレーショナル・エビデンスは常に信頼できるものではない。高度なボットは本物のユーザーと不均一なつながりを築き、近隣のアグリゲーションにボットと人間の信号が混ざり合い、アカウントレベルのエビデンスを希薄にする。 両課題に対処するため, テキストsc{SAHG} (Sector-Anisotropic Hyperbolic Graph) を提案する。 \textsc{SAHG} は、方向依存の曲率場 $γ(u)$ を学習し、構造方向の幾何学的分解を適応させ、角濃度とアライメントを分類器可読な特徴に変換するセクターのプロトタイプを使用する。 圧倒的なアカウントレベルの証拠から汚染集約を防止するため、 \textsc{SAHG} は2つの独立したSAHチャネルにおいて、アカウントごとの特徴とグラフ近傍の表現を符号化し、分類器でのみ融合する。 Fox8-23, BotSim-24, MGTABでの実験では, \textsc{SAHG} が3つのベンチマークで最高精度とF1を達成している。 アブレーションと幾何解析は異方性幾何と二重チャネル設計の有効性を確認する。

関連論文リスト

• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs [26.54962387458329]
  イメージ・ツー・ポイント・クラウド(I2P)登録は、信頼性の高い2D-3D対応を確立することで、2Dイメージを3Dポイント・クラウドに整列することを目的としている。 我々はHg-I2Pと呼ばれる不均一グラフ埋め込みI2P登録法を提案する。 クロスドメイン設定下での屋内および屋外の6つのベンチマーク実験により、Hg-I2Pは一般化と精度の両方で既存の手法よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-30T02:45:27Z)
• Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication [31.43539830271355]
  本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-09-11T16:36:16Z)
• 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)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。