- KDD边缘节点的重要性:走向图中的结构公平性
在社交网络中,位于边缘区域(边缘节点)的个人与中心的人相比往往会受到不公平待遇。现有的公平性研究主要侧重于保护敏感属性(如年龄和性别),但是图结构所导致的公平性也应该受到关注。本文针对图神经网络中由图结构引发的新型公平性问题,即 “结构公平 - 深度学习对 日本猕猴 中的自动检测和面部识别的应用:阐明社会网络
通过深度学习,本研究初步探索了一种非侵入性工具的开发,用于检测和识别日本猕猴的个体身份,旨在自动生成对研究种群进行社会网络分析的社交网络图。在研究中,建立了日本猕猴面部检测器(Faster-RCNN 模型),准确率达到 82.2%,并建立了 - 网络感知嵌入的无监督学习
通过估计数值节点属性之间的网络距离,我们可以创建网络感知嵌入,而不是对网络的节点进行聚类。在本文中,我们修复了无监督学习文献中的这个盲点,并展示了我们的方法在各种领域的应用中始终是有益的,并且可以提供可操作的见解。
- 利用自然语言处理从社交网络文本中提取高准确度的位置信息
机器学习和自然语言处理可以通过预测实时的恐怖袭击来帮助打击恐怖主义,本研究通过使用社交网络文本来提取必要信息建立合适的恐怖袭击预测数据集,实验发现现有解决方案在地点识别方面准确率较低,我们的解决方案得以解决,并将扩展解决方案以提取日期和行动 - 模拟保险欺诈网络数据的引擎
传统上,检测欺诈保险索赔依赖于商业规则和专家判断,这使得过程耗时且昂贵。因此,研究人员一直在研究开发高效准确的分析策略来标记可疑索赔。然而,在开发欺诈检测模型时,我们面临几个挑战,如欺诈的罕见性导致高类别不平衡,只有少数索赔得到调查和标记, - 建模具有异质互惠性的随机网络
基于 Facebook 墙贴网络的非一致互惠行为模式,使用具有异质互惠的优先连接模型,比较贝叶斯和频率方法以及高效的变分替代方法来模拟不断增长的社交网络中多样化的互惠行为,并找出不同回复和收到回复的用户之间的多个群组。
- 多类优先连接分类器预防性检测社交网络上的虚假账户
使用偏好连结的 k 类分类器算法 (PreAttacK) 来检测社交网络中的虚假账户,并对其行为进行详细分析,从而实现对新用户的虚假账户检测并获得可证明的性能保证。
- 双节点和边公平感知的图分区
提出了一种使用边平衡来实现社交网络公平图分区的方法,并通过使用线性图转换和协同嵌入框架来学习图分区的双节点和边公平感知表征,并提出了一种公平分区可用作伪标签以促进图神经网络在节点分类和链接预测任务中表现公平。
- 使用情感知识共享从社交网络中检测抑郁症
使用深度学习技术和情感知识来检测社交网络上的压抑情绪和负面情感,以提高抑郁症的识别效果。
- ICML深度图表示学习与优化用于影响最大化
该研究提出了一个名为 DeepIM 的新框架,旨在解决学习为基础的影响最大化(IM)方法所面临的困难,该方法可以数据驱动地、端到端地学习多样化的信息传播模式,并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。
- 邻居间的小城故事:Nextdoor 社交网络上经济不平等的在线表现
通过在 Nextdoor 社交网络上的用户生成内容的分析,我们发现不同收入层次的人们所表现出的在线行为的确存在差异,并且用户生成内容可以被用于预测社区的收入和收入不平等情况。
- 结合语义和统计方法的 Instagram 社交网络帖子自动摘要
本研究开发了一个爬虫来提取 Instagram 社交网络上受欢迎的文本文章,并结合一组抽取和抽象算法来展示如何使用每个抽象算法,观察 820 个受欢迎的文本文章在社交网络上的准确性(80%)。
- 利用 Crisp Bisimulations 将模糊描述逻辑中的模糊解释最小化
本文研究了使用最大清晰自动双模拟来最小化 FDL 中有限模糊解释的问题,并提供了一个复杂度为 O 的有效算法,其中 n 是模糊解释域的大小,m 是模糊解释中原子角色的非零实例数,l 是模糊解释中用于原子角色实例的不同模糊值的数量。
- GENIUS:一种基于聚类图神经网络的子团队替换新方案
本文针对现有子团队替换算法的缺陷提出了一种基于聚类的图神经网络 (GNN) 框架,名为 GENIUS,用于灵活地进行子团队替换,并采用自监督正对比训练方案来提高团队级别的表示学习和无监督的节点聚类来削减候选人,实现了高效的计算。经过大量实证 - 社交网络中的 Sybil-Proof 扩散拍卖
本研究提出了两种扩散拍卖机制,即 Sybil 税机制(STM)和 Sybil 集群机制(SCM)来保护买家的利益,以抵抗 Sybil 攻击。这是第一种在单项设置下实现 Sybil-proofness 和激励兼容性的机制。
- 利用统计方法在具有有限可见性的复杂网络中进行影响最大化
该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图,并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明,该方法在现实世界的网络图上具有高效性。
- 利用社交图网络进行情感预测
通过手机感应数据和社交网络构建及机器学习算法综合分析多个用户和时序特征,利用社交网络对情感进行预测。
- AAAI社交网络上通过约束随机优化公平缓解误导信息
介绍了一种应对社交网络中误导信息的解决方案,利用随机和非恒定多重背包问题得出一种新的算法,使用学习自动机来实现公平分配,以实现对社交网络用户的公正影响。
- COLING基于持续提示微调的未见谣言检测
本文提出了一种 Continual Prompt-Tuning RD 框架,它可以在连续变化的社交网络环境中进行连续任务学习,避免了上下游任务的灾难性遗忘,实现了领域任务之间的双向知识传递,解决了互相干扰的问题,并通过多种技术来传递上游任务 - AAAI线性阀值模型中的异质同伴效应
提出因果推断方法来估算个人门槛,以更准确地预测社交网络中节点的激活,从而更好地支持异质同伴影响的识别和估计。