論文の概要: Unsupervised Anomaly Detection of Information Operations Users via Behavioral and Language Patterns

• arxiv url: http://arxiv.org/abs/2607.05855v1
• Date: Tue, 07 Jul 2026 05:23:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.404483
• Title: Unsupervised Anomaly Detection of Information Operations Users via Behavioral and Language Patterns
• Title（参考訳）: 行動パターンと言語パターンを用いた情報操作者の教師なし異常検出
• Authors: Sishun Liu, Sajal Halder, Ke Deng, Yan Wang, Xiuzhen Zhang,
• Abstract要約: ソーシャルメディアネットワーク上の情報操作は、民主主義と近代社会にとって重要な脅威であると認識されている。 既存の教師付きIO検出方法は、進化するIOユーザの振る舞いの動的な性質を捉えることができない。 我々は、情報操作認識(TENSor)のためのTemporal-bEhavior-laNguage Signalsと呼ばれる新しい教師なしIOユーザ検出手法を提案する。
• 参考スコア（独自算出の注目度）: 8.29955351018802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information Operations on social media networks have been identified as a significant threat to democracy and modern society, but they are challenging and expensive to detect by humans. Existing supervised IO detection methods fail to capture the dynamic nature of evolving IO user behavior, while existing unsupervised approaches rely on oversimplified assumptions of coordination among IO users that may not exist in practice. To overcome the limitations of existing methods, we formulate IO user detection as an anomaly detection problem and propose a novel unsupervised IO user detection approach called Temporal-bEhavior-laNguage Signals for information Operation Recognition (TENSOR), which leverages multimodal data, including temporal online user behavior, such as message posting activities, and the textual content of the messages. The motivation is that IO users are typically a very small fraction of all online users and have unique temporal behavioral and language patterns. Specifically, we train a Temporal Point Process (TPP) to capture abnormal temporal behavioral patterns of IO users because they are known to behave in a coordinated manner for IO campaigns. We further introduce a novel evidence function that converts LLM responses, which are generated from user post timelines, into quantitative scores to adjust the TPP outputs for better IO user detection. Experimental results show that TENSOR outperforms the baselines on five real-world IO datasets. Code is available at https://github.com/xiuzhenzhang/TENSOR.
• Abstract（参考訳）: ソーシャルメディアネットワーク上の情報操作は、民主主義や現代社会にとって重大な脅威であると認識されているが、人間による検出は困難で費用がかかる。 既存の教師なしIO検出方法は、進化するIOユーザ動作の動的な性質を捉えるのに失敗するが、既存の教師なしアプローチは、実際には存在しないかもしれないIOユーザ間の協調の過度に単純化された仮定に依存している。 既存の手法の限界を克服するため,IOユーザ検出を異常検出問題として定式化し,TENSOR(Temporal-bEhavior-laNguage Signals for Information Operation Recognition)と呼ばれる,時間的オンラインユーザ行動やメッセージのテキスト内容などのマルチモーダルデータを活用する,新しい教師なしIOユーザ検出手法を提案する。 動機は、IOユーザは通常、すべてのオンラインユーザのごく一部であり、ユニークな時間的行動と言語パターンを持っていることです。 具体的には、時間的ポイントプロセス(TPP)をトレーニングし、IOキャンペーンの協調行動が知られているため、IOユーザの異常な時間的行動パターンを捉える。 さらに、ユーザ投稿のタイムラインから生成されるLCM応答を定量的スコアに変換して、TPP出力を調整し、IOユーザ検出を改善する新たなエビデンス関数を導入する。 実験の結果、TENSORは5つの実世界のIOデータセットのベースラインよりも優れていた。 コードはhttps://github.com/xiuzhenzhang/TENSOR.comで入手できる。

関連論文リスト

• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• On Multi-entity, Multivariate Quickest Change Point Detection [2.0369245689839817]
  変更点検出(CPD)は、従来のセンシング手法が実現不可能なクラウドモニタリングのアプリケーションによって動機付けられている。 本稿では,正常度からの個人偏差(IDfN)の概念を紹介し,正常度を訓練した再構成エラーベースのオートエンコーダを用いて計算する。 平均値、分散値、カーネル密度推定値(KDE)を用いてこれらの個々の偏差を集約し、システムワイド異常スコア(SWAS)を生成する。 我々の教師なしアプローチはラベル付きデータや特徴抽出の必要性を排除し、ストリーミング入力のリアルタイム操作を可能にします。
  論文  参考訳（メタデータ） (2025-09-22T18:35:24Z)
• AViLA: Asynchronous Vision-Language Agent for Streaming Multimodal Data Interaction [27.982280356250605]
  本稿では、アドホックなクエリを処理し、タイムアウェアなレスポンスを提供する、ストリーミングデータインタラクションのための視覚言語エージェントであるAViLAを紹介する。 実験の結果,既存のモデルでは適切なタイミングで応答できない場合が多く,AViLAでは時間的認識の精度が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-23T10:11:30Z)
• Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
  協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。 未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。 まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。 インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System [6.068607290592521]
  本稿では,適応的トレースフェッチ,軽量かつリアルタイムな悪意ある行動検出システムを提案する。 具体的には、Event Tracing for Windows (ETW)で悪意ある振る舞いを監視し、悪意のあるAPIやコールスタックを選択的に収集することを学ぶ。 その結果、より広い範囲のAPIを監視し、より複雑な攻撃行動を検出することができる。
  論文  参考訳（メタデータ） (2024-11-02T14:52:04Z)
• I2EDL: Interactive Instruction Error Detection and Localization [65.25839671641218]
  連続環境(IVLN-CE)における対話型VLNの新たな課題を提案する。 これにより、VLN-CEナビゲーション中にエージェントがユーザと対話し、命令エラーに関する疑念を検証できる。 我々は、事前学習したモジュールを利用して命令エラーを検出し、テキスト入力と過去の観察を相互参照することで、命令中のそれらをピンポイントする。
  論文  参考訳（メタデータ） (2024-06-07T16:52:57Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR Prediction [15.97120392599086]
  textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。 提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
  論文  参考訳（メタデータ） (2022-05-20T15:20:52Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)

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。