研究为了解决检测新型社交机器人的验证问题，提出一种基于专用分类器的超级学习方法，该方法在新数据集中将 F1 分数提高了 56％，且新机器人行为可使用更少标记示例进行学习。

Jun, 2020

早期检测社交垃圾机器人对于防范传播虚假信息和操控公众意见至关重要。本研究首次使用用户描述字段和图像，采用预训练的视觉模型以及 TwHIN-BERT 来获取文本和图像的表征，并提出了三种不同的融合方法进行多模态融合，并在 Cresci '17 数据集上进行了广泛实验，证明了我们方法在准确率上具有显著优势，达到了 99.98%。

Aug, 2023

该论文提出了一种基于深度神经网络的机器人检测方法，通过使用元数据并将其作为辅助输入，CNN 处理推文文本。同时，作者们提出了一种基于合成少数过抽样的技术，从少量已标记数据（大约 3000 个 sophisticated Twitter bots 的样例）生成适合深度 CNN 训练的大型标记数据集。作者还在账户级别的机器人检测中应用了相同的架构，并在保证小型和可解释特征，以及最小训练数据的情况下，实现了几乎完美的分类准确度。从仅一个推文中，我们的体系结构就可以实现高分类精度（AUC > 96%）将机器人与人类分开。

Feb, 2018

我们提出了一种基于自监督对比学习的社交机器人检测框架（BotSSCL），通过利用对比学习在嵌入空间中区分社交机器人和人类，改善了线性可分性。BotSSCL 的高级表示增强了对数据分布变化的鲁棒性并确保了泛化性能。实验证明，BotSSCL 在两个数据集上的性能较其他监督、无监督和自监督基准方法都要高，并且在不同数据集间的测试也表现出较好的泛化性能。此外，BotSSCL 还提高了对抗复杂性，使对手在逃避检测方面的成功率只有 4%。

Feb, 2024

本文研究了 Twitter 上的转推行为，提出了一种基于无监督特征提取和聚类的机器人检测技术（RTbust），利用该技术检测到两个之前未知的拥有数百个账户的活跃机器人网络。

Feb, 2019

BOTTRINET 使用嵌入技术，提出一个统一的嵌入框架进行机器人检测，并设计了三重神经网络进一步提高分类性能，成功实现对真实世界数据集的最高平均准确度和 f1 分数，达到 98.34％和 97.99％，且对于四个内容无关的 bot 集合，平均准确度提高了 11.52％，f1 分数提高了 16.70％。

Apr, 2023

本研究提出一种基于最少账户元数据的框架，实现了对 Twitter 公共推文全量实时分析的高效和可靠的社交机器人分类，通过对训练和验证的大量数据集进行严格的验证系统，找到了挑选子集进行训练的方式比全量训练更好的模型精度和泛化性。

Nov, 2019

本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

Jun, 2023

通过机器学习模型，利用推文文本中提取的用户资料来检测社交机器人（social bots）的研究，其主要贡献为提出一种利用个人信息相似性来区分社交机器人和人类用户的新模型，并创建了一个包含 6900 个 Twitter 账户资料的公共数据集。

Mar, 2022

利用机器学习在以太坊平台上检测金融机器人，建立了金融机器人分类，并提供关于当前机器人情况的额外见解。

Mar, 2024