TRACE-Bot：通过隐式语义表示和AIGC增强行为模式检测新兴LLM驱动社交机器人
人工智能
2026-04-03 v1
摘要
大语言模型驱动（LLM驱动）的社交机器人通过生成类人内容规避传统检测手段，对在线话语构成日益增长的威胁。现有方法由于过度依赖单一模态信号、对人工智能生成内容（AIGC）的特定生成模式不够敏感，以及未能充分建模语言模式与行为动态之间的相互作用，导致检测精度有限。为解决这些局限性，我们提出了TRACE-Bot，一个统一的双通道框架，联合建模隐式语义表示和AIGC增强行为模式。TRACE-Bot从异构来源构建细粒度表示，包括个人信息数据、交互行为数据和推文数据。双通道架构通过预训练语言模型捕获语言表示，并通过由前沿AIGC检测器增强的多维活动特征捕获行为异常。融合后的表示随后通过轻量级预测头进行分类。在两个公开LLM驱动社交机器人数据集上的实验展示了最先进的性能，分别实现了98.46%和97.50%的准确率。结果进一步表明该方法对先进机器人策略具有强鲁棒性，凸显了联合利用隐式语义表示和AIGC增强行为模式进行新兴LLM驱动社交机器人检测的有效性。
引用
@article{arxiv.2604.02147,
title = {TRACE-Bot: Detecting Emerging LLM-Driven Social Bots via Implicit Semantic Representations and AIGC-Enhanced Behavioral Patterns},
author = {Zhongbo Wang and Zhiyu Lin and Zhu Wang and Haizhou Wang},
journal= {arXiv preprint arXiv:2604.02147},
year = {2026}
}