一个图形神经架构搜索方法用于识别社交媒体中的机器人
Georgios Tzoumanekas1, Michail Chatzianastasis2, Loukas Ilias1
1Decision Support Systems Laboratory, School of Electrical and Computer Engineering, National Technical University of Athens, Athens, Greece.
Frontiers in artificial intelligence
|January 6, 2025
概括
这项研究介绍了一种新的神经架构搜索 (NAS) 方法,用于检测社交媒体平台X上的机器人. 该方法利用图形结构,达到85.7%的准确性,优于现有方法.
科学领域:
- 人工智能的人工智能
- 计算机科学 计算机科学
- 社交网络分析 社交网络分析
背景情况:
- 社交媒体平台拥有数百万用户,自动化机器人传播错误信息和意识形态,造成现实世界的后果.
- 现有的X平台的机器人检测模型往往忽视了用户关系的关键图形结构,并依赖于手动架构设计.
- 机器人的扩散对在线话语和用户信任的完整性构成重大威胁.
研究的目的:
- 实施神经架构搜索 (NAS) 技术,特别是深度和灵活的图形神经架构搜索 (DFG-NAS),用于X平台上的机器人检测.
- 通过寻找最佳的传播和转换函数,自动优化关系图卷积神经网络 (RGCNs).
- 开发一种更有效和自动化的方法来识别社交网络中的恶意机器人.
主要方法:
- 构建了一个综合图形,将TwiBot-20数据集中的用户关系和元数据结合起来 (229,580个节点,227,979个边).
- 应用了深度和灵活的图形神经架构搜索 (DFG-NAS) 技术,自动发现最佳的RGCN配置.
- 评估了在NAS过程中识别的五个高性能架构.
主要成果:
- 在TwiBot-20数据集上实现了85.7%的机器人检测准确度.
- 为RGCNs量身定制的DFG-NAS开发的模型超过了当前最先进的机器人检测模型的性能.
- 通过自动搜索识别和验证了五个最佳的RGCN架构.
结论:
- 拟议的DFG-NAS方法通过整合图形结构和自动化架构搜索,有效地解决了社交媒体中机器人检测的挑战.
- 这项工作表明了NAS在自动化神经网络设计的重大潜力,用于像机器人检测这样的复杂任务.
- 这些发现提倡更广泛地采用NAS方法来开发用于网络安全和误导信息缓解的先进人工智能解决方案.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.8K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.4K
