論文の概要: SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection

• arxiv url: http://arxiv.org/abs/2405.11225v1
• Date: Sat, 18 May 2024 08:16:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 18:48:01.289969
• Title: SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection
• Title（参考訳）: SeBot: ソーシャルボット検出のためのマルチビューコントラスト学習のための構造エントロピーガイド
• Authors: Yingguang Yang, Qi Wu, Buyun He, Hao Peng, Renyu Yang, Zhifeng Hao, Yong Liao,
• Abstract要約: マルチビューグラフに基づくコントラスト学習型ソーシャルボット検出器SEBotを提案する。 特に、構造エントロピーを不確実性計量として使用して、グラフ全体の構造を最適化する。 そして、ホモフィリーな仮定を超えたメッセージパッシングを可能にするエンコーダを設計する。
• 参考スコア（独自算出の注目度）: 34.68635583099056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in social bot detection have been driven by the adoption of Graph Neural Networks. The social graph, constructed from social network interactions, contains benign and bot accounts that influence each other. However, previous graph-based detection methods that follow the transductive message-passing paradigm may not fully utilize hidden graph information and are vulnerable to adversarial bot behavior. The indiscriminate message passing between nodes from different categories and communities results in excessively homogeneous node representations, ultimately reducing the effectiveness of social bot detectors. In this paper, we propose SEBot, a novel multi-view graph-based contrastive learning-enabled social bot detector. In particular, we use structural entropy as an uncertainty metric to optimize the entire graph's structure and subgraph-level granularity, revealing the implicitly existing hierarchical community structure. And we design an encoder to enable message passing beyond the homophily assumption, enhancing robustness to adversarial behaviors of social bots. Finally, we employ multi-view contrastive learning to maximize mutual information between different views and enhance the detection performance through multi-task learning. Experimental results demonstrate that our approach significantly improves the performance of social bot detection compared with SOTA methods.
• Abstract（参考訳）: ソーシャルボット検出の最近の進歩は、グラフニューラルネットワークの採用によって進められている。 ソーシャルグラフは、ソーシャルネットワークのインタラクションから構築され、お互いに影響を与える良心とボットアカウントを含んでいる。 しかし, 従来のグラフを用いた検出手法では, 隠れグラフ情報を十分に活用することはできず, 対向ボットの動作に弱い。 異なるカテゴリやコミュニティのノード間の無差別なメッセージパッシングは、過度に均質なノード表現をもたらし、最終的に社会的ボット検出器の有効性を低下させる。 本稿では,新しいマルチビューグラフを用いたコントラスト学習型ソーシャルボット検出器SEBotを提案する。 特に、構造エントロピーを不確実性指標として、グラフ全体の構造と部分グラフレベルの粒度を最適化し、暗黙的に存在する階層的なコミュニティ構造を明らかにする。 また,同相仮定を超えるメッセージパッシングを可能にするエンコーダを設計し,ソーシャルボットの対向行動に対する堅牢性を向上する。 最後に、異なるビュー間の相互情報を最大化し、マルチタスク学習による検出性能を向上させるために、マルチビューコントラスト学習を用いる。 実験により,本手法はSOTA法と比較して,社会的ボット検出の性能を著しく向上させることが示された。

関連論文リスト

• LGB: Language Model and Graph Neural Network-Driven Social Bot Detection [43.92522451274129]
  悪意のあるソーシャルボットは、誤った情報を広め、社会的世論を喚起することで、悪意ある目的を達成する。 言語モデル (LM) とグラフニューラルネットワーク (GNN) の2つの主要コンポーネントから構成される新しいソーシャルボット検出フレームワーク LGB を提案する。 2つの実世界のデータセットの実験では、LGBは最先端のベースラインモデルよりも最大10.95%向上している。
  論文  参考訳（メタデータ） (2024-06-13T02:47:38Z)
• Adversarial Botometer: Adversarial Analysis for Social Bot Detection [1.9280536006736573]
  ソーシャルボットは人間の創造性を模倣するコンテンツを制作する。 悪意のあるソーシャルボットは、非現実的なコンテンツで人々を騙すようになる。 テキストベースのボット検出器の動作を競合環境下で評価する。
  論文  参考訳（メタデータ） (2024-05-03T11:28:21Z)
• BotDGT: Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers [34.517897902575946]
  BotDGTはトポロジカルな構造を考慮した新しいフレームワークであるが、ソーシャルネットワークの動的な性質を効果的に取り入れている。 各歴史的スナップショットからトポロジ情報を取得するために構造モジュールが使用される。 時間的モジュールは、歴史的コンテキストを統合し、社会的ボットや正当なユーザによって提示される進化する行動パターンをモデル化するために提案される。
  論文  参考訳（メタデータ） (2024-04-23T14:19:13Z)
• Adversarial Socialbots Modeling Based on Structural Information Principles [24.339397435628214]
  ソーシャルボットは、誤情報を伝達するために人間の行動を模倣し、ソーシャルボットと検出器の競争が続いている。 本稿では,より正確かつ効果的な対人行動モデリングを実現するために,数学的構造情報原理に基づく対人社会ボットモデリングフレームワーク,すなわちSIASMを提案する。
  論文  参考訳（メタデータ） (2023-12-13T12:32:12Z)
• 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)
• Muti-scale Graph Neural Network with Signed-attention for Social Bot Detection: A Frequency Perspective [10.089319405788277]
  ソーシャルメディアに大量のボットが存在することは、悪影響を及ぼす。 グラフニューラルネットワーク(GNN)は、ユーザ間の社会的関係を効果的に活用し、ボットの検出において優れた結果を得ることができる。 本稿では,MSGSと呼ばれるソーシャルボット検出のためのマルチスケール署名付きグラフフィルタを提案する。
  論文  参考訳（メタデータ） (2023-07-05T00:40:19Z)
• 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)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• 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)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。