Nov, 2023

利用 Dropout-GAN 进行社交媒体机器人检测

PDF
TL;DR利用生成对抗网络（GAN）的方法来检测社交媒体平台上的机器人活动，克服模式崩溃问题，通过将多个鉴别器与一个生成器训练并解耦鉴别器以进行社交媒体机器人检测，利用生成器进行数据增强，我们的方法在分类准确性方面优于该领域的最先进技术。我们还展示了 GAN 中的生成器如何用于逃避这种分类技术。
bot activitysocial media platformscredibilitycybercrimegenerative adversarial networks
发现论文，激发创造
  • Dropout-GAN: 动态集成鉴别器的学习

    在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

    Jul, 2018

  • 通过生成对抗网络在在线社交媒体中检测虚假账户

    本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。

    Oct, 2022

  • GAN 生成的面孔检测：综述和新视角

    通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

    Feb, 2022

  • 从网络行为到图像：一种新的社交机器人检测方法

    本论文从 Twitter 账号出发，提出了使用卷积神经网络的新型算法，将账号执行的操作序列转化为图片，并进行图像分类，从而进行 bot 检测。结果证实了该方法的有效性，因为它与现有技术处在同一水平，并在某些情况下更好。

    Apr, 2023

  • 使用生成对抗网络检测欺诈评论

    本文提出了一种名为 FakeGAN 的系统，它是在文本分类任务中首次采用生成对抗网络（GANs）进行增强，用于检测欺骗性评论。通过使用两个鉴别器模型和一个生成模型，FakeGAN 避免了模式崩溃的问题， 并在 TripAdvisor 酒店评论数据集上表现出与现有监督学习方法相当的性能。

    May, 2018

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • 半监督学习与 GAN 在不平衡数据集中的伪造检测

    本研究使用自动编码器和半监督学习与 GAN 算法的组合（SGAN），并将其作为分类器，仅使用 100 个标记样本即可将精度提高达 91％，以检测虚假账户，适用于社交媒体的大规模数据。

    Dec, 2022

  • 利用自适应多对抗训练克服模式崩溃

    本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

    Dec, 2021

  • 对抗性引流机器人检测的对抗性分析

    社交机器人在在线社交网络中扮演重要角色，最近生成式人工智能（GenAI）的进展使得社交机器人能够产生高度逼真且复杂的内容，模仿人类创造力。为了识别这些虚假内容并区分其生成者，对该问题的多种方法已经被提出，但这些解决方案的广泛评估尚未进行。为了解决这个问题，我们评估了一个基于文本的机器人检测器在一个有竞争环境下的行为，对不同类别的社交机器人进行了全面的评估，并展示了一些可以用于未来工作的成果。

    May, 2024

  • 用于机器人检测的深度神经网络

    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