Fugu-MT 論文翻訳(概要): IMMENSE: Inductive Multi-perspective User Classification in Social Networks

論文の概要: IMMENSE: Inductive Multi-perspective User Classification in Social Networks

arxiv url: http://arxiv.org/abs/2608.05259v1
Date: Wed, 05 Aug 2026 17:00:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.767008
Title: IMMENSE: Inductive Multi-perspective User Classification in Social Networks
Title（参考訳）: IMMENSE: ソーシャルネットワークにおけるインダクティブ・マルチパースペクティブ・ユーザ分類
Abstract要約: IMMENSEは、悪意のあるソーシャルネットワークユーザーを検出する機械学習ベースの方法である。提案手法は,ユーザの公開コンテンツのセマンティクス,社会的関係,空間情報という3つの視点を統合した。実世界のTwitter/Xデータセットで行われた実験では、IMMENSEの競合する5つの状態に対する優位性が示された。
参考スコア（独自算出の注目度）: 5.183308052689481
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Online social networks increasingly expose people to users who propagate discriminatory, hateful, and violent content. Young users, in particular, are vulnerable to exposure to such content, which can have harmful psychological and social repercussions. Given the massive scale of today's social networks, in terms of both published content and number of users, there is an urgent need for effective systems to aid Law Enforcement Agencies (LEAs) in identifying and addressing users that disseminate malicious content. In this work we introduce IMMENSE, a machine learning-based method for detecting malicious social network users. Our approach adopts a hybrid classification strategy that integrates three perspectives: the semantics of the users' published content, their social relationships and their spatial information. Such contextual perspectives potentially enhance classification performance beyond text-only analysis. Importantly, IMMENSE employs an inductive learning approach, enabling it to classify previously unseen users or entire new networks without the need for costly and time-consuming model retraining procedures. Experiments carried out on a real-world Twitter/X dataset showed the superiority of IMMENSE against five state of the art competitors, confirming the benefits of its hybrid approach for effective deployment in social network monitoring systems.
Abstract（参考訳）: オンラインソーシャルネットワークは、差別的、憎悪的、暴力的なコンテンツを広めるユーザーに対して、人々を露出させる傾向が強まっている。特に若いユーザーは、そのようなコンテンツへの露出に弱いため、有害な心理的・社会的影響がある可能性がある。今日のソーシャルネットワークの大規模な規模を考えると、悪意のあるコンテンツを拡散するユーザを特定し、対処する上で、Law Enforcement Agencies (LEA) を支援する効果的なシステムが必要である。本研究では,悪意あるソーシャルネットワークユーザを検知する機械学習手法であるIMMENSEを紹介する。提案手法は,ユーザの公開コンテンツの意味論,社会的関係,空間情報という3つの視点を統合したハイブリッド分類戦略を採用する。このような文脈的視点は、テキストのみの分析以上の分類性能を高める可能性がある。重要な点として、IMMENSEはインダクティブラーニングアプローチを採用しており、コストと時間を要するモデル再トレーニング手順を必要とせずに、未確認のユーザや新しいネットワーク全体を分類することができる。実世界のTwitter/Xデータセットで行われた実験では、5つの最先端の競合相手に対してIMMENSEの優位性が示され、ソーシャルネットワークモニタリングシステムに効果的にデプロイするためのハイブリッドアプローチの利点が確認された。

関連論文リスト

Promoting Security and Trust on Social Networks: Explainable Cyberbullying Detection Using Large Language Models in a Stream-Based Machine Learning Framework [5.635300481123079]
ソーシャルメディアプラットフォームは、いわゆるサイバーいじめと呼ばれるオンラインコミュニティでネガティブな行動を引き起こしている。ストリームベース機械学習(ML)モデルと大規模言語モデル(LLMS)を用いたサイバーバブル検出のための革新的でリアルタイムなソリューションを提案する。また, 実験結果から, 全評価指標の90%近くの性能を保証し, 文献における競合研究の成果を上回る結果を得た。
論文参考訳（メタデータ） (2025-04-07T15:57:37Z)
Classification of Instagram fake users using supervised machine learning algorithms [0.0]
本稿では,そのような不正直な実体を検知・中和するアプリケーションを提案する。アプリケーションのユーザ中心の設計により、調査機関のアクセシビリティが保証される。
論文参考訳（メタデータ） (2023-11-21T03:59:14Z)
Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文参考訳（メタデータ） (2023-10-20T06:17:02Z)
Domain-based user embedding for competing events on social media [4.984601297028257]
本稿では,URLドメイン共起ネットワークに基づくユーザ埋め込み手法を提案する。このアプローチは、政治的キャンペーンや公衆衛生危機などの競合イベントに関わるソーシャルメディア利用者を効果的に表現する。
論文参考訳（メタデータ） (2023-08-28T18:01:14Z)
Countering Malicious Content Moderation Evasion in Online Social Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
論文参考訳（メタデータ） (2022-12-27T16:08:49Z)
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文参考訳（メタデータ） (2022-09-04T06:22:37Z)
Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文参考訳（メタデータ） (2021-11-21T09:41:39Z)
Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文参考訳（メタデータ） (2021-07-29T00:02:06Z)
Towards A Multi-agent System for Online Hate Speech Detection [11.843799418046666]
本論文では,TwitterやFacebookなどのオンラインソーシャルメディアプラットフォームにおけるヘイトスピーチの存在を検出するマルチエージェントシステムを提案する。テキスト処理とインエイジ処理のチャネルをコーディネートする深層学習技術を用いた新しいフレームワークを紹介します。
論文参考訳（メタデータ） (2021-05-03T19:06:42Z)
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
論文参考訳（メタデータ） (2020-01-15T08:45:34Z)
Quantifying the Vulnerabilities of the Online Public Square to Adversarial Manipulation Tactics [43.98568073610101]
ソーシャルメディアモデルを用いて、コンテンツの品質に対するいくつかの敵の操作戦術の影響を定量化する。ソーシャルメディアの目印である影響力のあるアカウントの存在は、操作するオンラインコミュニティの脆弱性を悪化させる。これらの知見は、プラットフォームがソーシャルメディアユーザーによる操作のレジリエンスを高めるために使われる可能性があることを示唆している。
論文参考訳（メタデータ） (2019-07-13T21:12:08Z)

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。