論文の概要: Account-History Features for Social Bot Detection in the Era of Large Language Models
- arxiv url: http://arxiv.org/abs/2606.26127v1
- Date: Sat, 06 Jun 2026 07:01:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-28 23:46:52.33716
- Title: Account-History Features for Social Bot Detection in the Era of Large Language Models
- Title（参考訳）: 大規模言語モデルにおける社会ボット検出の経年的特徴
- Abstract要約: ソーシャルプラットフォーム上でのボット検出は、歴史的に、投稿やプロフィールフィールドのテキストから抽出されたアカウント・メタタ機能と機能の組み合わせに依存してきた。
ボットオペレータは、GPT-4またはClaudeを介してすべてのポストを実行し、表面統計が人間の文章と区別しにくいテキストを生成することができる。
本稿では,攻撃者が低コストで容易に操作できない特徴によって,検出問題のどの程度を解決できるかを問う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bot detection on social platforms has historically relied on a mix of account-metadata features and features extracted from the text of posts and profile fields. The arrival of capable language models complicates the latter. A bot operator can run every post through GPT-4 or Claude and produce text whose surface statistics are difficult to distinguish from those of human writing, which weakens the predictive value of content-derived features. This paper asks how much of the detection problem can be solved by features that an attacker cannot easily manipulate at low cost: the age of the account, follower and friend counts and their ratios, profile completeness, and the structural properties of the handle. On a publicly redistributed corpus of 2,432 Twitter accounts with manually verified labels (43.0% bots), a random forest using only these account-history features achieves ROC-AUC of 0.977 in five-fold cross-validation, against 0.830 for a content-only baseline and 0.981 for the fusion model. The behavioral-versus-content gap is large and statistically significant by DeLong's test (z = 9.36, p < 0.001). We then evaluate two adversarial settings. In the first, we rewrite the text of bot tweets to match human surface statistics for URLs, hashtags, mentions, and casing; the content classifier's ROC-AUC degrades from 0.842 to 0.785 while the behavioral classifier is essentially unchanged. In the second, more aggressive setting we directly perturb the content feature values toward the human distribution; the content classifier falls below chance (AUC 0.466) while behavioral performance is invariant. We replicate the score distribution qualitatively on a 100-account sample of TwiBot-20. We conclude that operational bot detection should not treat content features as the primary signal; account-history features carry most of the load already and are not eroded by adversarial text rewriting.
- Abstract（参考訳）: ソーシャルプラットフォーム上でのボット検出は、歴史的に、投稿やプロフィールフィールドのテキストから抽出されたアカウント・メタタ機能と機能の組み合わせに依存してきた。
有能な言語モデルの到来は後者を複雑にする。
ボットオペレータは、GPT-4やClaudeを通じてすべてのポストを実行し、人間の文章と区別が難しいテキストを生成することができる。
本稿では,攻撃者が低コストで操作できない特徴として,アカウントの年齢,フォロワー数,友人数,その比率,プロファイルの完全性,ハンドルの構造的特性などを問う。
公式に再配布された2,432のTwitterアカウントと手動検証されたラベル(43.0%のボット)のコーパスでは、これらのアカウント履歴機能のみを使用したランダムフォレストが、5倍のクロスバリデーションでLOC-AUCの0.977を達成し、コンテントのみのベースラインでは0.830、フュージョンモデルでは0.981を達成している。
ビヘイビア・ヴァーサス・コンテントギャップは、デロンのテスト(z = 9.36, p < 0.001)によって大きく統計的に有意である。
次に,2つの逆の設定を評価する。
コンテンツ分類器のROC-AUCは、振る舞い分類器が本質的に変化していない間、0.842から0.785に劣化する。
第2に、よりアグレッシブな設定では、コンテンツの特徴値を人的分布に向けて直接摂動させ、コンテンツ分類器は、行動性能が不変である間に、チャンス(AUC 0.466)を下回る。
TwiBot-20の100アカウントサンプルに定性的にスコア分布を再現する。
動作中のボット検出は,コンテンツの特徴を主信号として扱うべきではない。
関連論文リスト
- SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。
ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。
安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
論文 参考訳（メタデータ） (2026-01-19T23:37:10Z) - 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) - BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。
本稿では,機械学習モデル開発に関わる課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。
ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
論文 参考訳（メタデータ） (2023-05-31T09:12:35Z) - BotTriNet: A Unified and Efficient Embedding for Social Bots Detection
via Metric Learning [3.9026461169566673]
ボットを検出するためにアカウントが投稿したテキストコンテンツを活用する統合組込みフレームワークであるBOTTRINETを提案する。
BOTTRINETフレームワークは、実世界のデータセットで評価した単語、文、およびアカウントの埋め込みを生成する。
提案手法は,2つのコンテンツ集約型ボットセットに対して,平均精度98.34%,f1スコア97.99%の最先端性能を実現する。
論文 参考訳（メタデータ） (2023-04-06T15:28:58Z) - Paraphrasing evades detectors of AI-generated text, but retrieval is an
effective defense [56.077252790310176]
本稿では,パラフレーズ生成モデル(DIPPER)を提案する。
DIPPERを使って3つの大きな言語モデル(GPT3.5-davinci-003)で生成されたテキストを言い換えると、透かしを含むいくつかの検出器を回避できた。
我々は,言語モデルAPIプロバイダによって維持されなければならない,意味論的に類似した世代を検索するシンプルなディフェンスを導入する。
論文 参考訳（メタデータ） (2023-03-23T16:29:27Z) - BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns [4.386183132284449]
実世界のデータセットに基づいて、生のイベントログから行動シーケンスを構築する。
ボットと真のユーザの違いと、ボットアカウント間の類似パターンを観察する。
本稿では,行動の順序や特徴を自動的に把握するソーシャルボット検出システムBotShapeを提案する。
論文 参考訳（メタデータ） (2023-03-17T19:03:06Z) - Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。
また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。
我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文 参考訳（メタデータ） (2023-03-14T16:11:47Z) - BUMP: A Benchmark of Unfaithful Minimal Pairs for Meta-Evaluation of
Faithfulness Metrics [70.52570641514146]
不誠実な最小対 (BUMP) のベンチマークを示す。
BUMPは、889人の人間が書いた最小限のサマリーペアのデータセットである。
非ペアベースのデータセットとは異なり、BUMPはメトリクスの一貫性を測定するために使用することができる。
論文 参考訳（メタデータ） (2022-12-20T02:17:30Z) - A ground-truth dataset and classification model for detecting bots in
GitHub issue and PR comments [70.1864008701113]
ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。
本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。
ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
論文 参考訳（メタデータ） (2020-10-07T09:30:52Z) - 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。