FedACK：面向跨语言与跨模型社交机器人检测的联邦对抗对比知识蒸馏
机器学习
2023-03-14 v1 人工智能
摘要
社交机器人检测对在线社交平台的韧性与安全至关重要。最先进的检测模型彼此孤立，且在很大程度上忽视了来自多个跨语言平台的多样数据特征。同时，数据分布与模型架构的异质性使得设计高效的跨平台与跨模型检测框架十分复杂。本文提出FedACK，一种用于社交机器人检测的联邦对抗对比知识蒸馏新框架。我们设计了一种基于GAN的联邦知识蒸馏机制，以在客户端间高效迁移数据分布知识。特别地，使用全局生成器提取全局数据分布知识并将其蒸馏至各客户端的本地模型中。我们利用本地判别器实现定制化模型设计，并使用本地生成器对难判定样本进行数据增强。本地训练以多阶段对抗与对比学习方式进行，以实现客户端间一致的特征空间，并约束本地模型的优化方向，减小本地与全局模型间的差异。实验表明，FedACK在准确率、通信效率和特征空间一致性方面优于最先进的方法。
引用
@article{arxiv.2303.07113,
title = {FedACK: Federated Adversarial Contrastive Knowledge Distillation for Cross-Lingual and Cross-Model Social Bot Detection},
author = {Yingguang Yang and Renyu Yang and Hao Peng and Yangyang Li and Tong Li and Yong Liao and Pengyuan Zhou},
journal= {arXiv preprint arXiv:2303.07113},
year = {2023}
}
备注
Accepted by the ACM Web Conference 2023 (WWW'23)