論文の概要: Bot-Match: Social Bot Detection with Recursive Nearest Neighbors Search
- arxiv url: http://arxiv.org/abs/2007.07636v1
- Date: Wed, 15 Jul 2020 11:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 06:28:53.478978
- Title: Bot-Match: Social Bot Detection with Recursive Nearest Neighbors Search
- Title(参考訳): Bot-Match:再帰的近傍検索によるソーシャルボット検出
- Authors: David M. Beskow and Kathleen M. Carley
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.457368716414079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social bots have emerged over the last decade, initially creating a nuisance
while more recently used to intimidate journalists, sway electoral events, and
aggravate existing social fissures. This social threat has spawned a bot
detection algorithms race in which detection algorithms evolve in an attempt to
keep up with increasingly sophisticated bot accounts. This cat and mouse cycle
has illuminated the limitations of supervised machine learning algorithms,
where researchers attempt to use yesterday's data to predict tomorrow's bots.
This gap means that researchers, journalists, and analysts daily identify
malicious bot accounts that are undetected by state of the art supervised bot
detection algorithms. These analysts often desire to find similar bot accounts
without labeling/training a new model, where similarity can be defined by
content, network position, or both. A similarity based algorithm could
complement existing supervised and unsupervised methods and fill this gap. To
this end, we present the Bot-Match methodology in which we evaluate social
media embeddings that enable a semi-supervised recursive nearest neighbors
search to map an emerging social cybersecurity threat given one or more seed
accounts.
- Abstract(参考訳): 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。
この社会的脅威はボット検出アルゴリズムの競争を引き起こし、ボット検出アルゴリズムはますます洗練されたボットアカウントに追いつくために進化した。
この猫とマウスのサイクルは、教師付き機械学習アルゴリズムの限界を照らし、研究者たちは昨日のデータを使って明日のボットを予測する。
このギャップは、研究者、ジャーナリスト、アナリストが、最先端のボット検出アルゴリズムによって検出され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する。
これらのアナリストは、しばしば、コンテンツ、ネットワーク位置、あるいは両方で類似性を定義できる新しいモデルのラベル付けやトレーニングなしに、類似したボットアカウントを探したがる。
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。
そこで本研究では,半教師ありの近親者探索を可能とし,シードアカウントを1つ以上有する新たな社会サイバーセキュリティの脅威をマップする,ソーシャルメディア埋め込みを評価するボットマッチング手法を提案する。
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 [51.46864805462009]
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) - An Unforgeable Publicly Verifiable Watermark for Large Language Models [88.50683534978407]
現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要とする。
本稿では、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う、偽造不可能な検証可能な透かしアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-30T13:43:27Z) - From Online Behaviours to Images: A Novel Approach to Social Bot
Detection [0.3867363075280544]
特定のタイプの社会アカウントは、要求できないコンテンツ、過党派、宣伝的な情報を促進することが知られている。
まず、アカウントが実行するアクションのシーケンスを画像に変換する新しいアルゴリズムを提案する。
文献でよく知られた実際のアカウント/ボットアカウントデータセット上でのボット検出の最先端結果と比較する。
論文 参考訳(メタデータ) (2023-04-15T11:36:50Z) - 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) - You are a Bot! -- Studying the Development of Bot Accusations on Twitter [0.30079490585515345]
地上の真実データがないと、研究者たちは群衆の知恵を取り入れたいかもしれない。
本研究は,Twitter上でのボットの告発に関する大規模な研究である。
この言葉は、ソーシャルメディアの会話において、ボットという用語が非人間化の道具になったことを示している。
論文 参考訳(メタデータ) (2023-02-01T16:09:11Z) - 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) - A ground-truth dataset and classification model for detecting bots in
GitHub issue and PR comments [70.1864008701113]
ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。
本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。
ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
論文 参考訳(メタデータ) (2020-10-07T09:30:52Z) - Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
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。
論文 参考訳(メタデータ) (2020-06-11T22:59:59Z) - 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。