論文の概要: RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction

• arxiv url: http://arxiv.org/abs/2510.16035v1
• Date: Thu, 16 Oct 2025 02:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.7921
• Title: RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction
• Title（参考訳）: RoBCtrl:ボット制御インタラクションの強化操作によるGNNベースのソーシャルボット検出器の攻撃
• Authors: Yingguang Yang, Xianghua Zeng, Qi Wu, Hao Peng, Yutong Xia, Hao Liu, Bin Chong, Philip S. Yu,
• Abstract要約: 本稿では,ソーシャルボット制御攻撃(RoBCtrl)のための対向型マルチエージェント強化学習フレームワークを提案する。 具体的には、拡散モデルを用いて、既存のアカウントデータを小さな修正で再構築することで、高忠実度ボットアカウントを生成する。 次に,MARL(Multi-Agent Reinforcement Learning)法を用いて,ボットの逆動作をシミュレートする。
• 参考スコア（独自算出の注目度）: 51.46634975923564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social networks have become a crucial source of real-time information for individuals. The influence of social bots within these platforms has garnered considerable attention from researchers, leading to the development of numerous detection technologies. However, the vulnerability and robustness of these detection methods is still underexplored. Existing Graph Neural Network (GNN)-based methods cannot be directly applied due to the issues of limited control over social agents, the black-box nature of bot detectors, and the heterogeneity of bots. To address these challenges, this paper proposes the first adversarial multi-agent Reinforcement learning framework for social Bot control attacks (RoBCtrl) targeting GNN-based social bot detectors. Specifically, we use a diffusion model to generate high-fidelity bot accounts by reconstructing existing account data with minor modifications, thereby evading detection on social platforms. To the best of our knowledge, this is the first application of diffusion models to mimic the behavior of evolving social bots effectively. We then employ a Multi-Agent Reinforcement Learning (MARL) method to simulate bots adversarial behavior. We categorize social accounts based on their influence and budget. Different agents are then employed to control bot accounts across various categories, optimizing the attachment strategy through reinforcement learning. Additionally, a hierarchical state abstraction based on structural entropy is designed to accelerate the reinforcement learning. Extensive experiments on social bot detection datasets demonstrate that our framework can effectively undermine the performance of GNN-based detectors.
• Abstract（参考訳）: ソーシャルネットワークは個人にとって、リアルタイム情報の重要な情報源となっている。 これらのプラットフォームにおけるソーシャルボットの影響は、研究者からかなりの注目を集め、多くの検出技術の開発に繋がった。 しかし、これらの検出方法の脆弱性と堅牢性はまだ未調査である。 既存のグラフニューラルネットワーク(GNN)ベースの手法は、ソーシャルエージェントの限られた制御の問題、ボット検出器のブラックボックスの性質、ボットの不均一性などにより、直接適用できない。 これらの課題に対処するために、GNNベースのソーシャルボット検出器をターゲットとしたソーシャルボット制御攻撃(RoBCtrl)のための、最初の対向型マルチエージェント強化学習フレームワークを提案する。 具体的には、拡散モデルを用いて、既存のアカウントデータを小さな修正で再構築し、ソーシャルプラットフォーム上での検知を回避し、高忠実度ボットアカウントを生成する。 我々の知る限りでは、進化する社会ボットの振る舞いを効果的に模倣する拡散モデルの最初の応用である。 次に,MARL(Multi-Agent Reinforcement Learning)法を用いて,ボットの逆動作をシミュレートする。 我々は、その影響と予算に基づいて、社会アカウントを分類する。 さまざまなエージェントを使用して、さまざまなカテゴリのボットアカウントを制御し、強化学習を通じてアタッチメント戦略を最適化する。 さらに、構造エントロピーに基づく階層的状態抽象化は、強化学習を加速するように設計されている。 ソーシャルボット検出データセットに関する大規模な実験により、我々のフレームワークは、GNNベースの検出器の性能を効果的に損なうことができることを示した。

関連論文リスト

• 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)
• 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)
• 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)
• RoSGAS: Adaptive Social Bot Detection with Reinforced Self-Supervised GNN Architecture Search [12.567692688720353]
  ソーシャルボットは、人間のように振る舞おうとするソーシャルネットワーク上の自動アカウントである。 本稿では,新しいGNNアーキテクチャ検索フレームワークであるRoSGASを提案する。 我々は異種情報ネットワークを利用して、アカウントメタデータ、関係性、行動特徴、コンテンツ特徴を活用することで、ユーザ接続性を示す。 5つのTwitterデータセットの実験によると、RoSGASは精度、トレーニング効率、安定性の点で最先端のアプローチを上回っている。
  論文  参考訳（メタデータ） (2022-06-14T11:12:02Z)
• 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)
• Adversarial Socialbot Learning via Multi-Agent Deep Hierarchical Reinforcement Learning [31.33996447671789]
  本稿では、強化学習(RL)などの計算学習機構を利用して、検出を回避しつつ、ソーシャルボットの影響を最大化することができることを示す。 提案するポリシネットワークは,膨大な合成グラフを用いてトレーニングし,目に見えない実生活グラフのベースラインよりも優れた一般化を行う。 これにより,本手法は実環境に展開する際の現実的な敵攻撃となる。
  論文  参考訳（メタデータ） (2021-10-20T16:49:26Z)
• 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。