論文の概要: CSC: Calibrated Simplicity for Conflict-Aware Social Bot Detection in the LLM Era

• arxiv url: http://arxiv.org/abs/2609.23320v2
• Date: Sun, 27 Sep 2026 06:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.57188
• Title: CSC: Calibrated Simplicity for Conflict-Aware Social Bot Detection in the LLM Era
• Title（参考訳）: CSC: LLM時代の紛争対応型社会的ボット検出のための校正的簡易性
• Abstract要約: ソーシャルボット検出は、誤情報増幅、協調操作、歪んだ公開談話からオンラインプラットフォームを保護するために不可欠である。 大規模な言語モデルは、セマンティック・カモフラージュが安価で、流動的でスケーラブルであるため、テキストのみからソーシャル・ボットを検出するのをはるかに難しくしている。 競合認識型LPM時代のソーシャルボット検出のための校正・簡易化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.249853429482705
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Social bot detection is essential for protecting online platforms from misinformation amplification, coordinated manipulation, and distorted public discourse. However, large language models have made social bots much harder to detect from text alone because semantic camouflage is now cheap, fluent, and scalable. The resulting challenge is modality conflict: an account may look human-like in semantics while remaining suspicious in graph structure, profile attributes, or cross-modal consistency. Recent graph-based detectors tackle this limitation by adding graph-side complexity, such as sparse prototype selection, adaptive gating, or architecture-specific control logic, yet our experiments suggest that complexity alone is not the most reliable way to resolve such conflict. We therefore propose CSC, a calibrated-simplicity framework for conflict-aware LLM-era social bot detection. The framework combines three design choices: a simplified prototype-guided graph expert that retains useful structural biases while removing unstable graph-side heuristics, calibrated simplex-constrained fusion that aligns heterogeneous confidence spaces before late fusion, and a lightweight inconsistency expert that models cross-modal disagreement. Experiments on TwiBot-22, TwiBot-20, and MGStBot-large show that \textsc{CSC} improves calibrated operating-point decision quality while remaining competitive across external benchmarks. Further analyses show that calibration improves confidence reliability, the inconsistency expert mainly provides localized corrections in high-conflict or near-threshold regions, and simplified graph-side control yields a better stability-cost trade-off. A targeted semantic-camouflage stress test further shows that replacing selected bot text with matched human text sharply degrades the standalone text expert while leaving graph and fused evidence stable on a balanced challenge set.
• Abstract（参考訳）: ソーシャルボット検出は、誤情報増幅、協調操作、歪んだ公開談話からオンラインプラットフォームを保護するために不可欠である。 しかし、大きな言語モデルは、セマンティック・カモフラージュが安価で、流動的でスケーラブルであるため、テキストのみからソーシャル・ボットを検出するのをはるかに難しくしている。 アカウントはセマンティクスにおいて人間に似ているが、グラフ構造、プロファイル属性、あるいはクロスモーダル一貫性に疑念を抱いている。 近年のグラフベース検出器は, スパースプロトタイプの選択や適応ゲーティング, アーキテクチャ固有の制御ロジックなど, グラフ側の複雑性を追加することで, この制限に対処している。 そこで我々は,LLM時代の社会ボット検出のための校正・簡易化フレームワークであるCSCを提案する。 このフレームワークは、不安定なグラフ側ヒューリスティックを除去しながら有用な構造バイアスを保ちながら有用な構造バイアスを保持する簡易なプロトタイプガイドグラフ専門家、後期融合前に不均一な信頼空間を整列するキャリブレーションされた単純ックス制約融合、およびクロスモーダル不一致をモデル化する軽量な不整合専門家の3つの設計選択を組み合わせている。 TwiBot-22, TwiBot-20, MGStBot-largeの実験によると, \textsc{CSC} は外部ベンチマーク間の競争力を維持しながら、校正された運用ポイント決定品質を改善している。 さらに、キャリブレーションにより信頼性が向上することを示すとともに、非一貫性の専門家は、主に高コンフリクト領域や準閾値領域における局所的な補正を提供し、グラフ側制御の簡易化により、より安定したトレードオフをもたらす。 ターゲットとなるセマンティック・カモフラージュストレステストでは、選択したボットテキストをマッチした人間のテキストで置き換えることで、グラフを残しながら、バランスの取れたチャレンジセットで融合したエビデンスを安定させながら、スタンドアローンのテキスト専門家を著しく劣化させることが示された。

関連論文リスト

• The Confidence Trap: Calibration Attacks for Graph Neural Networks [30.116997325760945]
  グラフ上の校正攻撃を研究するためのフレームワークを提案する。 より精度の高いモデルや、より多くのクラスを持つデータセットで訓練されたモデルは、この脅威モデルの下ではより影響を受けやすいことを示す。 私たちのコードはhttps://github.com/CaptainCuong/Graph-Calibration-Attack.gitで公開されています。
  論文  参考訳（メタデータ） (2026-06-07T06:16:58Z)
• CaliDist: Calibrating Large Language Models via Behavioral Robustness to Distraction [51.56484100374058]
  既存のLLM(Large Language Models)のキャリブレーション手法は、しばしば信頼性の重要な次元、すなわちモデルの振舞いの堅牢性を見落としている。 我々は,モデルが注意をそらす可能性を直接測定し,罰する,新しいポストホックキャリブレーション手法であるtextscCaliDistを紹介した。 textscCaliDistは、強いベースラインと比較して、期待の低いエラー(ECE)とBrier Scoreを一貫して達成します。
  論文  参考訳（メタデータ） (2026-06-04T07:27:53Z)
• Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models [29.66841995436342]
  現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。 我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。 安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-01T18:06:08Z)
• PRISM: Prior Rectification and Uncertainty-Aware Structure Modeling for Diffusion-Based Text Image Super-Resolution [51.96078493242164]
  PRISMは単一ステップ拡散ベースのText-SRフレームワークである。 PRISMはミリ秒レベルの推論で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-13T05:31:06Z)
• 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)
• Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling [26.97705087364345]
  Graph-RHOは、新しいクリティカルパス対応グラフベースのRHOフレームワークである。 マルチリレーショナルエッジを持つ演算マシングラフとしてサブプロブレムを符号化するトポロジ対応ヘテロジニアスグラフネットワークを提案する。 トレーニング中に誘導バイアスを注入し、高感度なボトルネック操作とロバストな操作を区別するクリティカルパス認識機構を組み込んだ。
  論文  参考訳（メタデータ） (2026-04-11T07:35:09Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• SURE: Semi-dense Uncertainty-REfined Feature Matching [28.68008638977835]
  SUREは、一致と信頼を共同で予測する半密度不確実性再定義マッチングフレームワークである。 我々のアプローチは、軽量な空間融合モジュールとともに、信頼に値する座標回帰のための新しい明らかな頭部を軌道に乗せる。 提案手法は精度と効率の両面で既存の最先端のセミセンスマッチングモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-05T06:53:11Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)

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。