WWW / The Web Conference

Frequency-Corrupt Based Graph Self-Supervised Learning

基于频率篡改的图自监督学习

Haojie Li, Mengjiao Zhang, Guanfeng Liu, Qiang Hu, Yan Wang, Junwei Du

机构 * School of Data Science, Qingdao University of Science and Technology（青岛科技大学数据科学学院） ； School of Information Science and Technology, Qingdao University of Science and Technology（青岛科技大学信息科学与技术学院） ； School of Computing, Macquarie University（麦考瑞大学计算机学院） 纠错

AI总结 本文提出FC-GSSL方法，通过篡改节点和边以偏向高频信息，构建 corrupted 图作为自编码器输入，重建低频和通用特征以监督模型融合多频带信息，提升鲁棒性和泛化能力。

Comments 11 pages, 4 tables, 3 figures. Accepted at The ACM Web Conference 2026 (WWW 2026)

Emergent Coordinated Behaviors in Networked LLM Agents: Modeling the Strategic Dynamics of Information Operations

网络化生成代理中的涌现协调行为：信息操作的战略动态建模

Gian Marco Orlando, Jinyi Ye, Valerio La Gatta, Mahdi Saeedi, Vincenzo Moscato, Emilio Ferrara, Luca Luceri

AI总结 本文研究了生成代理在模拟信息操作中的协调行为，发现通过共享目标即可实现接近人工协调的水平，揭示了自动化信息操作的社会风险。

Journal ref WWW '26: Proceedings of the ACM Web Conference 2026

Exposing Cross-Platform Coordinated Inauthentic Activity in the Run-Up to the 2024 U.S. Election

揭露2024年美国大选前跨平台协调的不真实活动

Federico Cinus, Marco Minici, Luca Luceri, Emilio Ferrara

AI总结 本研究通过分析2024年美国大选相关数据，揭示了跨平台协调的不真实活动，发现俄罗斯媒体在多个平台上系统性推广，强调了需要跨平台监管以应对影响活动挑战。

Comments HUMANS Lab -- Working Paper No. 2024.7 -- The 2024 Election Integrity Initiative -- University of Southern California - Updated Version of WWW '25 Submission

Journal ref WWW '25: Proceedings of the ACM on Web Conference 2025

Network-informed Prompt Engineering against Organized Astroturf Campaigns under Extreme Class Imbalance

在极端类别不平衡下基于网络的提示工程对抗有组织的Astroturf活动

Nikos Kanakaris, Heng Ping, Xiongye Xiao, Nesreen K. Ahmed, Luca Luceri, Emilio Ferrara, Paul Bogdan

机构 * University of Southern California（美国南加州大学） ； Cisco AI Research（思科人工智能研究） 纠错

AI总结 本文提出基于大型语言模型的Balanced RAG框架，通过提示工程和平衡检索增强生成技术，在极端类别不平衡下有效识别协调虚假信息活动。

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025

Susceptibility to Unreliable Information Sources: Swift Adoption with Minimal Exposure

对不可靠信息源的易感性：快速采纳与最小暴露

Jinyi Ye, Luca Luceri, Julie Jiang, Emilio Ferrara

AI总结 本研究通过分析用户对不同可信度信息源的暴露影响，揭示了低可信度信息源更容易被快速采纳，为减少虚假信息传播提供了理论框架。

Journal ref WWW '24: Proceedings of the ACM Web Conference 2024

Unearthing a Billion Telegram Posts about the 2024 U.S. Presidential Election: Development of a Public Dataset

挖掘2024年美国总统选举的10亿条Telegram帖子：公开数据集的开发

Leonardo Blas, Luca Luceri, Emilio Ferrara

AI总结 本研究开发了一个包含2024年美国大选相关10亿条Telegram消息的公开数据集，用于分析政治讨论和社会动态。

Comments HUMANS Lab -- Working Paper No. 2024.5 -- The 2024 Election Integrity Initiative -- University of Southern California

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025

Tracking the 2024 US Presidential Election Chatter on Tiktok: A Public Multimodal Dataset

追踪2024年美国总统大选在TikTok上的讨论：一个公共多模态数据集

Gabriela Pinto, Charles Bickham, Tanishq Salkar, Luca Luceri, Emilio Ferrara

AI总结 本文公开了一个包含2024年美国总统大选相关TikTok视频的多模态数据集，通过API和第三方爬虫收集180万条视频，分析选举相关关键词和双词组合。

Comments The 2024 Election Integrity Initiative

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025