Der Artikel untersucht die Generalisierungsfähigkeit von Community-Modellen zur Erkennung schädlicher Inhalte in sozialen Netzwerken. Bestehende Evaluationsverfahren basieren auf statischen Graphen und vernachlässigen die ständige Weiterentwicklung von Online-Inhalten und -Gemeinschaften.
Um eine realistischere Evaluation zu ermöglichen, schlagen die Autoren ein neues Verfahren vor, das auf wenigen Beispielen basierende Anpassungsfähigkeit testet. Dazu wird ein Ansatz zum Sampling von Teilgraphen entwickelt, der lokale Kontexte, begrenzte Informationen und wenige Etiketten berücksichtigt.
Die Experimente zeigen, dass Standard-Community-Modelle Schwierigkeiten haben, auf neue Graphen, Domänen und Aufgaben zu generalisieren. Meta-Lernende, die mit dem vorgeschlagenen Sampling-Verfahren trainiert werden, schneiden hingegen besser ab. Insbesondere Modelle mit prototypischer Initialisierung erzielen vielversprechende Ergebnisse.
Die Autoren argumentieren, dass die derzeitige Evaluation von Community-Modellen deren Leistungsfähigkeit in realistischen Anwendungsszenarien nicht angemessen widerspiegelt. Sie hoffen, dass diese Arbeit ähnliche Fortschritte in der Community-Modellierung anregt, wie sie in der Erkennung schädlicher Inhalte ohne Netzwerkkontext zu beobachten sind.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Ivo Verhoeve... a las arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.01822.pdfConsultas más profundas