基于贝叶斯标签转移的在线社交网络去扰动
机器学习
2022-01-20 v3 社会与信息网络
物理与社会
摘要
在线社交网络（OSNs）根据其在线活动与兴趣将用户分类为不同类别，该任务被称为节点分类任务。此类任务可使用图卷积网络（GCNs）有效解决。然而，少数被称为扰动者的用户可能在 OSN 上执行随机活动，显著恶化基于 GCN 的节点分类任务性能。该方向上的现有工作或通过对抗训练、或通过识别攻击节点随后将其移除来防御 GCN。但这两种方法都要求首先识别攻击模式或攻击节点，而在扰动节点数量极少的情形下难以做到。本工作中，我们开发了一种 GCN 防御模型，即 GraphLT，其使用标签转移的概念。GraphLT 假设扰动者的随机活动恶化了 GCN 的性能。为克服该问题，GraphLT 随后使用一种新颖的贝叶斯标签转移模型，该模型接收 GCN 的预测标签并通过基于 Gibbs 采样推断的标签转移来修复 GCN 的预测，从而实现更好的节点分类。在七个基准数据集上的大量实验表明，GraphLT 在未受扰动环境中显著增强了节点分类器的性能；此外，验证了 GraphLT 能成功修复基于 GCN 的节点分类器，且性能优于若干竞争方法。
引用
@article{arxiv.2010.14121,
title = {Deperturbation of Online Social Networks via Bayesian Label Transition},
author = {Jun Zhuang and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:2010.14121},
year = {2022}
}
备注
TL;DR: GraphLT is the first model that adapts the Bayesian label transition method on GCNs for deperturbation in online social networks. Our work is accepted by SDM 2022