CALEB：一种增强机器人账号检测的条件对抗学习框架
社会与信息网络
2022-06-01 v1
摘要
近年来在线社交网络（OSNs）的快速增长使得被称为社交机器人的自动化账户得以盛行。正如其他研究者所强调的，这些机器人大多具有恶意目的并倾向于模仿人类行为，对OSN平台构成高级安全威胁。此外，近期研究表明社交机器人随时间演化，通过重塑并再造不可预见且复杂的特征，使其能够规避当前机器学习最先进的机器人检测系统。本工作受建立自适应机器人检测方法的迫切需求所驱动，以主动捕获未见过的演化机器人，从而促进更健康的OSN交互。与多数早期受限于难以有效检测新型机器人的有监督ML方法不同，本文提出CALEB，一种基于条件生成对抗网络（CGAN）及其扩展辅助分类器GAN（AC-GAN）的鲁棒端到端主动框架，通过生成不同机器人类型的真实合成实例来模拟机器人演化。这些模拟的演化机器人扩充了现有机器人数据集，从而在新兴代际机器人出现之前便提升其检测能力！此外，我们表明我们的增强方法超越了其他无法模拟演化机器人的早期增强技术。在公认的公共机器人数据集上的大量实验表明，我们的方法在检测新型未见机器人方面带来了高达10%的性能提升。最后，将AC-GAN判别器用作机器人检测器，其性能优于以往的ML方法，展示了我们端到端框架的高效性。
引用
@article{arxiv.2205.15707,
title = {CALEB: A Conditional Adversarial Learning Framework to Enhance Bot Detection},
author = {George Dialektakis and Ilias Dimitriadis and Athena Vakali},
journal= {arXiv preprint arXiv:2205.15707},
year = {2022}
}