SeGA: 基于提示的偏好感知自对比学习用于 Twitter 上的异常用户检测

AAAIDec, 2023

SeGA: 基于提示的偏好感知自对比学习用于 Twitter 上的异常用户检测

SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter

Ying-Ying Chang, Wei-Yao Wang, Wen-Chih Peng

TL;DR检测社交媒体中的异常用户是解决误导信息和网络欺凌等恶意活动的关键任务。为了应对异常用户数量的增加，以及这些用户模仿正常用户和逃避检测能力的提高，现有方法仅关注机器人检测，在捕捉用户之间的微妙差别方面显得无效。我们提出了一种利用 Twitter 中异构实体及其关系来检测不同恶意策略的异常用户的 SeGA 偏好感知自对比学习方法。SeGA 利用大型语言模型的知识通过帖子总结用户偏好。此外，将用户偏好与提示集成为首选标签用于偏好感知自对比学习，使模型能够学习描述用户行为的多维方面。对所提出的 TwBNT 基准进行的广泛实验证明了 SeGA 的明显优于现有方法的效果（+3.5％〜27.6％），并从实证上验证了模型设计和预训练策略的有效性。代码和数据可在此 https URL 下公开获取。

Abstract

In the dynamic and rapidly evolving world of social media, detecting anomalous users has become a crucial task to address malicious activities such as misinformation and cyberbullying. As the increasing number of

anomalous user detection social media malicious activities preference-aware self-contrastive learning twitter

发现论文，激发创造

BotSSCL: 自监督对比学习中的社交机器人检测

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

SeBot: 结构熵引导的多视图对比学习用于社交机器人检测

本文提出了一种使用图神经网络和对比学习的社交机器人检测方法 SEBot，通过优化图结构和子图层次结构，以及允许跨越同质性假设的消息传递方式，提高了对社交机器人的鲁棒性，并通过多视角对比学习增强了检测性能。实验结果表明，与现有方法相比，该方法显著提高了社交机器人检测的性能。

May, 2024

针对图形异常检测的生成式和对比式自监督学习

本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

少样讯息增强对比学习用于图形异常检测

FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

Nov, 2023

基于图神经网络的对抗性对比学习在具备证据感知的假新闻检测中的应用

本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了 GETRAL 相对于现有技术的优越性。

Oct, 2022

通过自我增强和对比学习提高社交媒体文本中的疾病检测

该研究提出了一种新的方法，将对比学习与语言模型相结合，通过自我增强方法改进模型的表示，并在与各种疾病相关的社交媒体数据集上取得了显著的改进。

Apr, 2024

SLSG：通过学习更好的特征嵌入和单类分类实现工业图像异常检测

为了更有效地检测异常，本文提出了一种基于自监督学习和自注意力图卷积（SLSG）的网络，SLSG 使用生成式预训练网络辅助编码器学习正常模式的嵌入和位置关系的推理，并通过比较模拟异常来更好地总结正常特征。此外，SLSG 通过构建更一般的图结构，在图像元素之间全面建模稠密和稀疏关系，从而进一步增强了逻辑异常的检测，实验结果表明 SLSG 具有优越的异常检测性能。

Apr, 2023

EG-ConMix：基于图对比学习的入侵检测方法

通过提出 EG-ConMix 方法，本文解决了 IoT 网络攻击事件监测的复杂性、数据不平衡问题，并展示了其在入侵检测性能方面相对于其他方法的显著优势。

Mar, 2024

使用两阶段半监督方法检测开放领域对话中的攻击性内容

本文提出了一个两步骤的半监督方法来从公共资源中引导大规模数据，以自动检测敏感语言，展示该方法在公共标注数据集和所提出的半监督数据集上显示出的优异表现和泛化能力，无需为敏感类别提供显式标签，从而在 Twitter 和 Toxic Wikipedia test 数据上实现了高达 95.5％的 F1 得分。

Nov, 2018

借用人类感官：面向社交媒体多模态分类的评论感知自我训练

本研究提出了一种利用用户评论建模和自监督学习的方法，用于在社交媒体上进行图像文字关系分类、讽刺检测、情感分类和仇恨言论检测等多模态分类任务，结果表明该方法进一步提高了先前最先进模型的性能。

Mar, 2023