CHÚC MỪNG NHÓM SINH VIÊN LỚP CTTT2023 KHOA HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ MAPR 2026
MAPR 2026 (The 9th International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị quốc tế thường niên về phân tích đa phương tiện và nhận dạng mẫu (Multimedia Analysis and Pattern Recognition), do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng mẫu Việt Nam (VAPR), Trường ĐH Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST); IEEE là nhà tài trợ kỹ thuật (Technical Sponsor). Đây là lần tổ chức thứ 9. MAPR 2026 diễn ra tại Silk Path Grand Huế Hotel, số 2 Lê Lợi, phường Thuận Hóa, TP. Huế, ngày 13 – 14/08/2026.
MAPR 2026 là diễn đàn dành cho các nhà nghiên cứu và chuyên gia đến từ các trường đại học, viện nghiên cứu và doanh nghiệp để chia sẻ những kết quả nghiên cứu mới nhất, đồng thời thúc đẩy hợp tác trong các lĩnh vực trí tuệ nhân tạo (AI), nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://mapr.uit.edu.vn/
Kỷ yếu các kỳ trước (IEEE Xplore): https://ieeexplore.ieee.org/xpl/conhome/1825404/all-proceedings
Tên bài báo: “A Hybrid Two-Stage Framework for Twitter Bot Detection: Decoupling Graph Representation Learning and Classification”
Sinh viên thực hiện:
- Phạm Khôi Nguyên (MSSV: 23521055) – Lớp CTTT2023
- Trần Ngọc Thảo Vy (MSSV: 23521836) – Lớp CTTT2023
- Nguyễn Thanh Quân (MSSV: 23521266) – Lớp CTTT2023
- Trần Kim Ngân (MSSV: 23520999) – Lớp CTTT2023
- Hà Minh Phương (MSSV: 23521241) – Lớp CTTT2023
Giảng viên hướng dẫn: TS. Trần Hưng Nghiệp
Abstract: Graph-based Twitter bot detection models such as BotRGCN rely on end-to-end training that jointly optimizes graph representation learning and linear classification. This coupling creates a bottleneck: the GNN is constrained to produce linearly separable representations, and joint optimization restricts the classifier to differentiable models. This study proposes a hybrid two-stage framework that decouples these two components. In Stage 1, BotRGCN serves as a graph-aware feature extractor. In Stage 2, XGBoost is trained independently on the frozen embeddings, a non-differentiable classifier only accessible through decoupling. Across 5 random seeds on TwiBot-22, where severe class imbalance and million-scale heterogeneous structure make each F1 score reflect substantial discriminative gain, the proposed method achieves F1 of 60.41 (+2.81 over the BotRGCN baseline) while reducing cross-seed variance from 0.78 to 0.26. The improvement is consistent across GCN, GAT, and BotRGCN architectures, suggesting that coupling, rather than architecture choice, may be a significant bottleneck. Classifier ablation further shows that even Logistic Regression on frozen embeddings outperforms end-to-end training, indicating that decoupling serves as a key mechanism.
