基于专用分类器集成检测新型社交机器人
社会与信息网络
2020-11-30 v2 信息检索
机器学习
摘要
恶意行为者创建部分由算法控制的虚假社交媒体账户，称为社交机器人（social bots），以传播错误信息和煽动在线讨论。虽然研究人员已开发出复杂的方法来检测滥用行为，但具有多样行为的新型机器人逃避检测。我们表明，不同类型的机器人具有不同的行为特征。因此，当试图检测训练数据中未观察到的行为时，监督学习技术会出现严重的性能退化。此外，调整这些模型以识别新型机器人需要用大量新标注重新训练，而获取这些标注成本高昂。为解决这些问题，我们提出一种新的监督学习方法，训练针对每类机器人的专用分类器，并通过最大规则组合它们的决策。专用分类器集成（ESC）能更好地泛化，在跨数据集的未见过账户上 F1 分数平均提升 56%。此外，在重新训练期间，用更少的标注样本即可学习新型机器人行为。我们将 ESC 部署在最新版本的 Botometer（一种流行的现实社交机器人检测工具）中，其交叉验证 AUC 为 0.99。
引用
@article{arxiv.2006.06867,
title = {Detection of Novel Social Bots by Ensembles of Specialized Classifiers},
author = {Mohsen Sayyadiharikandeh and Onur Varol and Kai-Cheng Yang and Alessandro Flammini and Filippo Menczer},
journal= {arXiv preprint arXiv:2006.06867},
year = {2020}
}
备注
8 pages, 10 figures, Accepted to CIKM'20