論文の概要: BotSSCL: Social Bot Detection with Self-Supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2402.03740v1
• Date: Tue, 6 Feb 2024 06:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 16:19:30.426906
• Title: BotSSCL: Social Bot Detection with Self-Supervised Contrastive Learning
• Title（参考訳）: BotSSCL:自己監督型コントラスト学習によるソーシャルボット検出
• Authors: Mohammad Majid Akhtar, Navid Shadman Bhuiyan, Rahat Masood, Muhammad Ikram, Salil S. Kanhere
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.317191658158437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of automated accounts, also known as "social bots", has been an increasingly important concern for online social networks (OSNs). While several methods have been proposed for detecting social bots, significant research gaps remain. First, current models exhibit limitations in detecting sophisticated bots that aim to mimic genuine OSN users. Second, these methods often rely on simplistic profile features, which are susceptible to manipulation. In addition to their vulnerability to adversarial manipulations, these models lack generalizability, resulting in subpar performance when trained on one dataset and tested on another. To address these challenges, we propose a novel framework for social Bot detection with Self-Supervised Contrastive Learning (BotSSCL). Our framework leverages contrastive learning to distinguish between social bots and humans in the embedding space to improve linear separability. The high-level representations derived by BotSSCL enhance its resilience to variations in data distribution and ensure generalizability. We evaluate BotSSCL's robustness against adversarial attempts to manipulate bot accounts to evade detection. Experiments on two datasets featuring sophisticated bots demonstrate that BotSSCL outperforms other supervised, unsupervised, and self-supervised baseline methods. We achieve approx. 6% and approx. 8% higher (F1) performance than SOTA on both datasets. In addition, BotSSCL also achieves 67% F1 when trained on one dataset and tested with another, demonstrating its generalizability. Lastly, BotSSCL increases adversarial complexity and only allows 4% success to the adversary in evading detection.
• Abstract（参考訳）: ソーシャルボット」とも呼ばれる自動アカウントの検出は、オンラインソーシャルネットワーク(OSN)にとってますます重要な関心事となっている。 ソーシャルボットの検出にはいくつかの方法が提案されているが、大きな研究ギャップが残っている。 第一に、現在のモデルは本物のosnユーザーを模倣する高度なボットを検出することに限界がある。 第二に、これらのメソッドは操作の影響を受けやすい単純なプロファイル機能に依存することが多い。 敵の操作に対する脆弱性に加えて、これらのモデルは一般化性に欠けており、あるデータセットでトレーニングされ、別のデータセットでテストされた場合、サブパーパフォーマンスをもたらす。 これらの課題に対処するために,自己教師付きコントラスト学習(botsscl)を用いた新しいソーシャルボット検出フレームワークを提案する。 本フレームワークは,ソーシャルボットと人間を組込み空間で区別し,線形分離性を向上させるために,コントラスト学習を利用する。 BotSSCLから派生したハイレベルな表現は、データの分散の変化に対するレジリエンスを高め、一般化性を確保する。 ボットアカウントの操作による検出回避に対するBotSSCLの堅牢性を評価する。 高度なボットを特徴とする2つのデータセットの実験は、BotSSCLが他の教師なし、教師なし、および自己教師付きベースラインメソッドよりも優れていることを示している。 我々はほぼ達成する。 6%であった。 8% (f1) 向上した。 さらに、BotSSCLは、あるデータセットでトレーニングし、別のデータセットでテストすると、67%のF1を達成する。 最後に、BotSSCLは敵の複雑さを増大させ、検出を回避するために敵に4%の成功しか与えない。

関連論文リスト

• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• 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)
• BotTriNet: A Unified and Efficient Embedding for Social Bots Detection via Metric Learning [3.9026461169566673]
  ボットを検出するためにアカウントが投稿したテキストコンテンツを活用する統合組込みフレームワークであるBOTTRINETを提案する。 BOTTRINETフレームワークは、実世界のデータセットで評価した単語、文、およびアカウントの埋め込みを生成する。 提案手法は,2つのコンテンツ集約型ボットセットに対して,平均精度98.34%,f1スコア97.99%の最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-06T15:28:58Z)
• 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)
• 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)
• 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)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)
• 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)

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。