論文の概要: Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents

• arxiv url: http://arxiv.org/abs/2605.12512v1
• Date: Tue, 31 Mar 2026 09:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.763904
• Title: Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents
• Title（参考訳）: グラフ拡張LDMエージェントによる人型ソーシャルネットワークの構築
• Authors: Haoran Bu, Litian Zhang, Chuxuan Zhang, Zhanyuan Liu, Hui Pang, Xi Zhang,
• Abstract要約: GraphMindは、既存のソーシャルボット検出アルゴリズムのパフォーマンスを評価するために設計されたボットネットである。 LLMによるソーシャルネットワーク生成におけるソーシャルリンク構築の重要性を強調した。
• 参考スコア（独自算出の注目度）: 10.838845823388409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by large language models (LLMs), social bot can autonomously engage in local interactions, whose human-like behaviors enable them to evade social bot detection. However, while these botnets exhibit realistic local social interactions, they fail to preserve human-like social network. This is because LLM-based bots are graph-unaware and cannot coordinate over global interactions, which makes those botnets vulnerable to graph neural network (GNN)-based detection. To address this limitation, we propose GraphMind, which equips LLM-driven social bots to explicitly learn and fit human-like social network structures. Building on this foundation, we further construct GraphMind-Botnet, a LLM-driven botnet designed to evaluate the performance of existing social bot detection algorithms. Experiments on datasets derived from GraphMind-Botnet show that both text-based and graph-based detection models show substantially degraded performance in distinguishing. Our results highlight the critical role of social link construction in LLM-driven social network generation, while exposing fundamental weaknesses in existing bot detection mechanisms.
• Abstract（参考訳）: 大規模言語モデル(LLM)によって駆動されるソーシャルボットは、人間のような振る舞いによって社会的ボット検出を回避することができる、ローカルなインタラクションに自律的に関与することができる。 しかし、これらのボットネットは現実的なローカルな社会的相互作用を示すが、人間のようなソーシャルネットワークを保存できない。 LLMベースのボットはグラフを意識せず、グローバルなインタラクションを協調できないため、これらのボットネットはグラフニューラルネットワーク(GNN)ベースの検出に脆弱である。 この制限に対処するために,LLM駆動型ソーシャルボットを用いたGraphMindを提案する。 この基盤の上に構築されたGraphMind-Botnetは、既存のソーシャルボット検出アルゴリズムの性能を評価するためにLLM駆動のボットネットである。 GraphMind-Botnetから派生したデータセットの実験では、テキストベースとグラフベースの検出モデルの両方で、区別のパフォーマンスが著しく低下していることが示されている。 本研究は,LLMによるソーシャルネットワーク生成におけるソーシャルリンク構築の重要性を明らかにするとともに,既存のボット検出機構の根本的な弱点を明らかにするものである。

関連論文リスト

• FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
  ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。 現在の最先端のボット検出モデルは、主に独立して開発されている。 クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:13:41Z)
• Interpretable Debiasing of Vision-Language Models for Social Fairness [55.85977929985967]
  本稿では,視覚・言語モデルに社会的属性ニューロンを局在させる,解釈可能なモデルに依存しないバイアス緩和フレームワークDeBiasLensを紹介する。 社会属性ラベルを含まない顔画像やキャプションデータセットでSAEを訓練し、特定の人口動態に高い応答性を持つニューロンを明らかにする。 我々の研究は、未来の監査ツールの基礎を築き、新興の現実世界のAIシステムにおける社会的公正性を優先します。
  論文  参考訳（メタデータ） (2026-02-27T13:37:11Z)
• RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction [51.46634975923564]
  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。
  論文  参考訳（メタデータ） (2025-10-16T02:41:49Z)
• 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)
• 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)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)

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。