論文の概要: BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns
- arxiv url: http://arxiv.org/abs/2303.10214v1
- Date: Fri, 17 Mar 2023 19:03:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:42:09.398958
- Title: BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns
- Title(参考訳): BotShape:行動パターンを利用した新しいソーシャルボット検出手法
- Authors: Jun Wu, Xuesong Ye and Chengjie Mou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.386183132284449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An essential topic in online social network security is how to accurately
detect bot accounts and relieve their harmful impacts (e.g., misinformation,
rumor, and spam) on genuine users. Based on a real-world data set, we construct
behavioral sequences from raw event logs. After extracting critical
characteristics from behavioral time series, we observe differences between
bots and genuine users and similar patterns among bot accounts. We present a
novel social bot detection system BotShape, to automatically catch behavioral
sequences and characteristics as features for classifiers to detect bots. We
evaluate the detection performance of our system in ground-truth instances,
showing an average accuracy of 98.52% and an average f1-score of 96.65% on
various types of classifiers. After comparing it with other research, we
conclude that BotShape is a novel approach to profiling an account, which could
improve performance for most methods by providing significant behavioral
features.
- Abstract(参考訳): オンラインソーシャルネットワークのセキュリティにおいて重要なトピックは、ボットアカウントを正確に検知し、有害な影響(誤報、噂、スパムなど)を本物のユーザーに与える方法である。
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。
行動時系列から重要な特徴を抽出した後、ボットと真のユーザ間の差異とボットアカウント間の類似パターンを観察する。
ボット検出のための分類器の特徴として,行動シーケンスや特徴を自動的に検出する新しいソーシャルボット検出システムbotshapeを提案する。
その結果, 各種分類器において, 検出精度は98.52%, f1-scoreは96.65%であった。
他の研究と比較すると、BotShapeはアカウントをプロファイリングするための新しいアプローチであり、多くのメソッドのパフォーマンス向上に役立つと結論付けている。
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) - 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) - Verifying the Robustness of Automatic Credibility Assessment [79.08422736721764]
テキスト分類法は信頼性の低い内容を検出する手段として広く研究されている。
入力テキストの無意味な変更は、モデルを誤解させることがある。
偽情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAを紹介する。
論文 参考訳(メタデータ) (2023-03-14T16:11:47Z) - Simplistic Collection and Labeling Practices Limit the Utility of
Benchmark Datasets for Twitter Bot Detection [3.8428576920007083]
ツールの高度化よりも,データセットの収集やラベル付けの制限によって高いパフォーマンスがもたらされることを示す。
この結果は,サンプリングおよびラベル付け手順における透明性と,研究における潜在的なバイアスの両方に重要な影響を及ぼす。
論文 参考訳(メタデータ) (2023-01-17T17:05:55Z) - 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) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳(メタデータ) (2022-07-27T09:26:15Z) - 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。