論文の概要: BSG4Bot: Efficient Bot Detection based on Biased Heterogeneous Subgraphs

• arxiv url: http://arxiv.org/abs/2410.05356v1
• Date: Mon, 7 Oct 2024 15:52:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 19:07:22.221598
• Title: BSG4Bot: Efficient Bot Detection based on Biased Heterogeneous Subgraphs
• Title（参考訳）: BSG4Bot:Biased Heterogeneous Subgraphsに基づく効率的なボット検出
• Authors: Hao Miao, Zida Liu, Jun Gao,
• Abstract要約: 悪意のあるソーシャルボットの検出は、偽情報を拡散するために簡単にボットを展開・操作できるため、重要なタスクとなっている。 既存のアプローチのほとんどは、グラフニューラルネットワーク(GNN)を使用して、ユーザ確率と構造的特徴の両方をキャプチャする。 本稿では,BSG4Botと名づけられたBSG4Botを提案する。
• 参考スコア（独自算出の注目度）: 6.99955702963268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of malicious social bots has become a crucial task, as bots can be easily deployed and manipulated to spread disinformation, promote conspiracy messages, and more. Most existing approaches utilize graph neural networks (GNNs)to capture both user profle and structural features,achieving promising progress. However, they still face limitations including the expensive training on large underlying graph, the performance degration when similar neighborhood patterns' assumption preferred by GNNs is not satisfied, and the dynamic features of bots in a highly adversarial context. Motivated by these limitations, this paper proposes a method named BSG4Bot with an intuition that GNNs training on Biased SubGraphs can improve both performance and time/space efficiency in bot detection. Specifically, BSG4Bot first pre-trains a classifier on node features efficiently to define the node similarities, and constructs biased subgraphs by combining the similarities computed by the pre-trained classifier and the node importances computed by Personalized PageRank (PPR scores). BSG4Bot then introduces a heterogeneous GNN over the constructed subgraphs to detect bots effectively and efficiently. The relatively stable features, including the content category and temporal activity features, are explored and incorporated into BSG4Bot after preliminary verification on sample data. The extensive experimental studies show that BSG4Bot outperforms the state-of-the-art bot detection methods, while only needing nearly 1/5 training time.
• Abstract（参考訳）: 悪意のあるソーシャルボットの検出は、偽情報の拡散や陰謀メッセージの促進など、ボットの展開や操作が簡単になるため、重要なタスクとなっている。 既存のアプローチのほとんどは、グラフニューラルネットワーク(GNN)を使用して、ユーザ確率と構造的特徴の両方をキャプチャし、有望な進歩を実現している。 しかし、大きな基盤となるグラフの高価なトレーニング、GNNに好まれる類似の近傍パターンの仮定が満たされていない場合のパフォーマンス低下、高度に対立する状況下でのボットの動的な特徴など、制限に直面している。 そこで本研究では,BSG4Botと名づけられたBSG4Botを提案する。 具体的には、BSG4Botは、ノードの類似性を定義するために、ノード上の分類器を効率的に事前訓練し、事前訓練された分類器とパーソナライズされたPageRank(PPRスコア)によって計算されるノードの重要度を組み合わせたバイアス付きサブグラフを構築する。 BSG4Botは、構築されたサブグラフ上に異質なGNNを導入し、ボットを効果的かつ効率的に検出する。 サンプルデータに対する予備検証後,コンテンツカテゴリや時間的活動機能などの比較的安定した特徴をBSG4Botに組み込んだ。 大規模な実験の結果、BSG4Botは最先端のボット検出方法よりも優れており、1/5のトレーニング時間しか必要としないことがわかった。

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)
• 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)
• LMBot: Distilling Graph Knowledge into Language Model for Graph-less Deployment in Twitter Bot Detection [41.043975659303435]
  グラフニューラルネットワーク(GNN)の知識を言語モデル(LM)に抽出する新しいボット検出フレームワークLMBotを提案する。 グラフベースのデータセットでは、LMの出力はGNNの入力機能を提供し、ボットの検出と知識の抽出を反復的かつ相互に強化するプロセスでLMに戻すことができる。 実験の結果,LMBotは4つのTwitterボット検出ベンチマークで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-06-30T05:50:26Z)
• Over-Sampling Strategy in Feature Space for Graphs based Class-imbalanced Bot Detection [10.882979272768502]
  オンラインソーシャルネットワーク(OSN)の多くのボットは、望ましくない社会的影響をもたらす。 本稿では,少数クラスのサンプルをエッジ合成なしで生成するGNNのオーバーサンプリング戦略を提案する。 このフレームワークは3つの実世界のボット検出ベンチマークデータセットを用いて評価される。
  論文  参考訳（メタデータ） (2023-02-14T08:35:33Z)
• 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)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
  ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。 本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
  論文  参考訳（メタデータ） (2020-03-13T15:34:33Z)

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。