社交网络上通过约束随机优化公平缓解误导信息
本文提出了一种基于标记时间点过程的灵活表示方式,开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。
Nov, 2017
使用半监督学习框架来解决极度类别不平衡的问题,并使用实际数据扩充少数类别,该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高,尤其在相关的 Covid 数据上初步测试表明有效性。
Apr, 2023
本研究提出了一个新的多阶段干预框架,通过将强化学习与点过程网络活动模型相结合来解决社交网络中假新闻的问题。通过选择状态的特征表示,定义缓解行动,构造奖励函数来度量缓解活动的有效性,在预算约束下,将假新闻缓解问题映射到强化学习框架中。在 Twitter 网络上进行实时干预实验来缓解代理假新闻活动,我们的方法在合成数据集上表现优于其他方法。
Mar, 2017
在本研究中,我们提出了一种立场感知的图神经网络(stance-aware GNN),利用用户立场主动预测信息传播,通过定制四条信息传递路径以及可训练的注意力权重来提供解释性。通过在真实数据集上评估,立场感知的 GNN 在击败基准测试 32.65%之外,并且在没有用户立场的先进 GNN 上超过 4.69%。此外,注意力权重表明相比支持立场,用户的反对立场对其邻居的行为有更大的影响,起到了社交纠正的作用来阻止信息传播。总的来说,我们的研究为平台提供了一种有效的预测模型来对抗错误信息,并强调用户立场在错误信息传播中的影响。
Oct, 2023
社交媒体平台在信息传播中起着重要作用,本研究旨在通过识别和分类新闻,解决社交媒体平台上虚假消息和不可验证事实的传播问题,提出了基于图模型的概率马尔可夫信息传播模型,并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。
Oct, 2023
通过信息正义的概念,建立一个关于算法公正性的框架,以揭示误导信息检测流程包含的公正问题及其潜在风险,并提供审核算法公正性的设计概念性指导。
Apr, 2022
提出了一种基于网络建模从而实现公平信息扩散的影响最大化算法,可以有效解决社交网络中社群结构问题而不依赖节点属性,并且适用于部分观察和噪声干扰的网络。
May, 2023
研究马尔可夫博弈中信息不对称和错误信息导致的安全威胁,通过考虑一名攻击者玩家散布关于其奖励函数的错误信息来影响受害者玩家的行为,我们推导了在最坏情况理性下受害者的策略,并提出了基于线性规划和反向归纳的多项式时间算法来计算攻击者的最优最坏情况策略,在受限的奖励函数集合中找到最优的错误奖励函数,我们的方法利用了理性的普遍假设来高效计算攻击,因此,我们的工作揭示了在错误信息下由标准游戏假设引起的安全漏洞。
Jun, 2024
本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性,以确保用户暴露于不同的观点,而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素,该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题,并设计了可扩展的近似算法。实验结果表明,该算法在多个真实世界的数据集上运行效率和可扩展性良好。
Sep, 2018