論文の概要: Boosting Bot Detection via Heterophily-Aware Representation Learning and Prototype-Guided Cluster Discovery

• arxiv url: http://arxiv.org/abs/2506.00989v1
• Date: Sun, 01 Jun 2025 12:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.88924
• Title: Boosting Bot Detection via Heterophily-Aware Representation Learning and Prototype-Guided Cluster Discovery
• Title（参考訳）: Heterophily-Aware Representation LearningとPrototype-Guided Cluster Discoveryによるボット検出の高速化
• Authors: Buyun He, Xiaorui Jiang, Qi Wu, Hao Liu, Yingguang Yang, Yong Liao,
• Abstract要約: BotHPはグラフベースのボット検出器を強化するために設計された、生成的なグラフ自己監視学習フレームワークである。 ノードの共通性をキャプチャするためにグラフ対応エンコーダと、ノードの特異性を保存するためにグラフに依存しないエンコーダからなるデュアルエンコーダアーキテクチャを使用する。 グラフベースのボット検出器を一貫して強化し、検出性能を改善し、ラベル依存を緩和し、一般化能力を向上する。
• 参考スコア（独自算出の注目度）: 16.548403922027248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting social media bots is essential for maintaining the security and trustworthiness of social networks. While contemporary graph-based detection methods demonstrate promising results, their practical application is limited by label reliance and poor generalization capability across diverse communities. Generative Graph Self-Supervised Learning (GSL) presents a promising paradigm to overcome these limitations, yet existing approaches predominantly follow the homophily assumption and fail to capture the global patterns in the graph, which potentially diminishes their effectiveness when facing the challenges of interaction camouflage and distributed deployment in bot detection scenarios. To this end, we propose BotHP, a generative GSL framework tailored to boost graph-based bot detectors through heterophily-aware representation learning and prototype-guided cluster discovery. Specifically, BotHP leverages a dual-encoder architecture, consisting of a graph-aware encoder to capture node commonality and a graph-agnostic encoder to preserve node uniqueness. This enables the simultaneous modeling of both homophily and heterophily, effectively countering the interaction camouflage issue. Additionally, BotHP incorporates a prototype-guided cluster discovery pretext task to model the latent global consistency of bot clusters and identify spatially dispersed yet semantically aligned bot collectives. Extensive experiments on two real-world bot detection benchmarks demonstrate that BotHP consistently boosts graph-based bot detectors, improving detection performance, alleviating label reliance, and enhancing generalization capability.
• Abstract（参考訳）: ソーシャルネットワークのセキュリティと信頼性を維持するためには、ソーシャルメディアボットの検出が不可欠である。 現代のグラフに基づく検出手法は有望な結果を示すが、その実用的応用は、ラベル依存と多種多様なコミュニティにおける一般化能力の低下によって制限される。 Generative Graph Self-Supervised Learning (GSL)は、これらの制限を克服するための有望なパラダイムを提供するが、既存のアプローチは、主にホモフィリな仮定に従い、グラフのグローバルなパターンをキャプチャできないため、ボット検出シナリオにおけるインタラクションカモフラージュと分散デプロイメントの課題に直面した場合、その効果を低下させる可能性がある。 この目的のために,異種認識表現学習とプロトタイプ誘導クラスタ探索によりグラフベースのボット検出器を向上するための生成GSLフレームワークであるBotHPを提案する。 特に、BotHPは、ノードの共通性を捉えるグラフ対応エンコーダと、ノードの特異性を保存するグラフ非依存エンコーダからなるデュアルエンコーダアーキテクチャを活用している。 これにより、ホモフィリーとヘテロフィリーの両方の同時モデリングが可能となり、相互作用カモフラージュ問題に効果的に対処できる。 さらに、BotHPは、プロトタイプガイド付きクラスタディスカバリプリテキストタスクを導入し、ボットクラスタの潜在的グローバル一貫性をモデル化し、空間的に分散しているがセマンティックに整合したボット集合を識別する。 2つの実世界のボット検出ベンチマークに関する大規模な実験は、BotHPがグラフベースのボット検出器を一貫して強化し、検出性能を改善し、ラベルの信頼性を緩和し、一般化能力を高めることを実証している。

関連論文リスト

• Flow-based Detection of Botnets through Bio-inspired Optimisation of Machine Learning [0.5735035463793009]
  ボットネットは、ボットネット内の他のメンバーと自律的に感染し、伝播し、通信し、調整することができる。 従来の検出手法は、様々なネットワークベースの検出回避手法に不適合になってきている。 本研究では,ボットネットワーク活動のバイナリ分類を容易にするために,ネットワークフローに基づく行動モデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-12-07T15:55:49Z)
• SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection [34.68635583099056]
  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。
  論文  参考訳（メタデータ） (2024-05-18T08:16:11Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)

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。