RoSGAS:基于强化自监督 GNN 架构搜索的自适应社交机器人检测
社会与信息网络
2022-12-06 v2 机器学习
摘要
社交机器人(social bots)是指社交网络上试图模仿人类行为的自动化账号。尽管图神经网络(GNNs)已大量应用于社交机器人检测领域,最先进方法仍高度依赖领域专长与先验知识来针对特定分类任务设计专用的神经网络架构。然而,在模型设计中引入过大的节点与网络层数通常会导致过平滑问题及嵌入判别力的缺失。本文提出 RoSGAS,一种新颖的强化与自监督 GNN 架构搜索框架,可自适应地精确定位 GNN 架构中最合适的多跳邻域与层数。更具体地,我们将社交机器人检测问题视为以用户为中心的子图嵌入与分类任务。我们利用异质信息网络,通过账号元数据、关系、行为特征与内容特征来表征用户连通性。RoSGAS 采用多智能体深度强化学习(RL)机制来引导最优邻域与网络层的搜索,从而为每个目标用户 individually 学习子图嵌入。我们开发了最近邻机制以加速 RL 训练过程,且 RoSGAS 可借助自监督学习学到更具判别力的子图嵌入。在 5 个 Twitter 数据集上的实验表明,RoSGAS 在准确率、训练效率与稳定性上均优于最先进方法,并在处理未见样本时具有更好的泛化能力。
引用
@article{arxiv.2206.06757,
title = {RoSGAS: Adaptive Social Bot Detection with Reinforced Self-Supervised GNN Architecture Search},
author = {Yingguang Yang and Renyu Yang and Yangyang Li and Kai Cui and Zhiqin Yang and Yue Wang and Jie Xu and Haiyong Xie},
journal= {arXiv preprint arXiv:2206.06757},
year = {2022}
}
备注
32 pages, 12 figures accpted by ACM Transactions on the Web (TWEB)