基于图神经网络架构搜索的社交媒体机器人识别
机器学习
2024-12-24 v1 社会与信息网络
摘要
社交媒体平台, 包括X、Facebook和Instagram, 每日拥有数百万用户, 导致机器人-自动程序扩散误information和意识形态, 并对现实世界产生具体后果。虽然X平台上的机器人检测是许多深度学习模型的研究领域, 但大多数方法忽视了社交媒体关系的图结构, 并且常常依赖于手工设计的体系结构。我们的工作引入了神经架构搜索(NAS)技术的实现, 即Deep and Flexible Graph Neural Architecture Search (DFG-NAS), 专为关系图卷积神经网络(RGCN)在X平台上的机器人检测任务而设计。我们的模型构建一个图, 包含用户关系和其metadata。然后, 将DFG-NAS适应于自动搜索RGCN中传播和转换函数的最优配置。我们的实验在TwiBot-20数据集上进行, 构建了一个包含229,580个节点和227,979条边的图。我们研究了搜索过程中性能最高的五个体系结构, 实现了85.7%的准确率, 超过了最先进的模型。我们的做法不仅解决了机器人检测挑战, 也为在神经网络设计自动化中更广泛地实施NAS模型而言, 提出了倡议。
引用
@article{arxiv.2411.16285,
title = {A Graph Neural Architecture Search Approach for Identifying Bots in Social Media},
author = {Georgios Tzoumanekas and Michail Chatzianastasis and Loukas Ilias and George Kiokes and John Psarras and Dimitris Askounis},
journal= {arXiv preprint arXiv:2411.16285},
year = {2024}
}