論文の概要: Detection of Novel Social Bots by Ensembles of Specialized Classifiers

• arxiv url: http://arxiv.org/abs/2006.06867v2
• Date: Fri, 14 Aug 2020 20:04:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 14:52:06.542684
• Title: Detection of Novel Social Bots by Ensembles of Specialized Classifiers
• Title（参考訳）: 特殊分類器のアンサンブルによる新しい社会ボットの検出
• Authors: Mohsen Sayyadiharikandeh, Onur Varol, Kai-Cheng Yang, Alessandro Flammini, Filippo Menczer
• Abstract要約: 悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。 本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
• 参考スコア（独自算出の注目度）: 60.63582690037839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malicious actors create inauthentic social media accounts controlled in part by algorithms, known as social bots, to disseminate misinformation and agitate online discussion. While researchers have developed sophisticated methods to detect abuse, novel bots with diverse behaviors evade detection. We show that different types of bots are characterized by different behavioral features. As a result, supervised learning techniques suffer severe performance deterioration when attempting to detect behaviors not observed in the training data. Moreover, tuning these models to recognize novel bots requires retraining with a significant amount of new annotations, which are expensive to obtain. To address these issues, we propose a new supervised learning method that trains classifiers specialized for each class of bots and combines their decisions through the maximum rule. The ensemble of specialized classifiers (ESC) can better generalize, leading to an average improvement of 56\% in F1 score for unseen accounts across datasets. Furthermore, novel bot behaviors are learned with fewer labeled examples during retraining. We deployed ESC in the newest version of Botometer, a popular tool to detect social bots in the wild, with a cross-validation AUC of 0.99.
• Abstract（参考訳）: 悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 研究者は乱用を検出するための洗練された方法を開発したが、多様な行動を持つ新しいボットは検出を回避した。 異なるタイプのボットが異なる行動特徴によって特徴づけられることを示す。 その結果、教師付き学習技術は、訓練データに観察されない行動を検出する際に、パフォーマンスが著しく低下する。 さらに、新しいボットを認識するためにこれらのモデルをチューニングするには、大量の新しいアノテーションで再訓練する必要がある。 そこで本研究では,ロボットのクラスごとに分類器を訓練し,その決定を最大ルールで組み合わせる,教師付き学習手法を提案する。 特殊分類器(ESC)のアンサンブルはより一般化され、データセット全体にわたって見えないアカウントに対するF1スコアの平均56\%が向上する。 さらに、新しいボットの振る舞いは、再トレーニング中にラベル付きサンプルが少なく学習される。 われわれはESCをBotometerの最新バージョンにデプロイした。これはソーシャルボットを検出できる人気ツールで、AUCは0.99である。

関連論文リスト

• BotSSCL: Social Bot Detection with Self-Supervised Contrastive Learning [6.317191658158437]
  自己監督型コントラスト学習(BotSSCL)を用いたソーシャルボット検出のための新しいフレームワークを提案する。 BotSSCLは対照的な学習を用いて、埋め込み空間におけるソーシャルボットと人間を区別し、線形分離性を改善する。 ボットアカウントの操作による検出回避に対するBotSSCLの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-02-06T06:13:13Z)
• What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection [48.572932773403274]
  ソーシャルボット検出における大規模言語モデルの可能性とリスクについて検討する。 本稿では,多様なユーザ情報モダリティを分割し,克服するための混合異種エキスパートフレームワークを提案する。 実験により、1000の注釈付き例に対する命令チューニングは、最先端のベースラインよりも優れた特殊なLLMを生成することが示された。
  論文  参考訳（メタデータ） (2024-02-01T06:21:19Z)
• My Brother Helps Me: Node Injection Based Adversarial Attack on Social Bot Detection [69.99192868521564]
  Twitterのようなソーシャルプラットフォームは、数多くの不正なユーザーから包囲されている。 ソーシャルネットワークの構造のため、ほとんどの手法は攻撃を受けやすいグラフニューラルネットワーク(GNN)に基づいている。 本稿では,ボット検出モデルを欺いたノードインジェクションに基づく逆攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T03:09:48Z)
• BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns [4.386183132284449]
  実世界のデータセットに基づいて、生のイベントログから行動シーケンスを構築する。 ボットと真のユーザの違いと、ボットアカウント間の類似パターンを観察する。 本稿では,行動の順序や特徴を自動的に把握するソーシャルボット検出システムBotShapeを提案する。
  論文  参考訳（メタデータ） (2023-03-17T19:03:06Z)
• MulBot: Unsupervised Bot Detection Based on Multivariate Time Series [2.525739800601558]
  MulBotは、ユーザタイムラインから抽出された多次元の時間的特徴に基づく教師なしボット検出器である。 我々はf1-score $= 0.99$を達成するバイナリ分類タスクを実行し、最先端の手法より優れています。 また、MulBotの強みを、異なるボットネットの検出と分離という、新しく実用的なタスクで実証する。
  論文  参考訳（メタデータ） (2022-09-21T13:56:12Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• Improving Botnet Detection with Recurrent Neural Network and Transfer Learning [5.602292536933117]
  ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。 機械学習(ML)を用いた最近のアプローチでは、以前のアプローチよりもパフォーマンスが向上した。 Recurrent Variational Autoencoder (RVAE) を用いた新しいボットネット検出法を提案する。
  論文  参考訳（メタデータ） (2021-04-26T14:05:01Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Bot-Match: Social Bot Detection with Recursive Nearest Neighbors Search [9.457368716414079]
  ソーシャルボットはこの10年で出現し、最初は迷惑をかけたが、最近ではジャーナリストを威圧し、選挙イベントを妨害し、既存のソーシャル・ファイジャーを悪化させた。 この社会的脅威により、ボット検出アルゴリズムが進化して、ますます高度なボットアカウントに追いつくために進化する、ボット検出アルゴリズムが誕生した。 このギャップは、研究者、ジャーナリスト、アナリストが、最先端の監視ボット検出アルゴリズムによって検出されていない悪意のあるボットアカウントを毎日特定することを意味している。 類似性に基づくアルゴリズムは、既存の教師なしおよび教師なしの手法を補完し、このギャップを埋めることができる。
  論文  参考訳（メタデータ） (2020-07-15T11:48:24Z)
• BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection [78.11535724645702]
  本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
  論文  参考訳（メタデータ） (2020-05-02T17:40:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。