Apr, 2024

具有动态图变换器的动态感知社交机器人检测

PDF
TL;DR社交机器人检测是一个关键而复杂的任务，旨在阻止虚假信息的传播，并保持在线交互的真实性。然而，由于静态图的固有局限性，先前基于图的方法忽视了社交网络的动态性，导致这些方法容易被高级社交机器人规避。为了解决这些挑战，我们提出了 BotDGT，一个既考虑拓扑结构又有效地融入社交网络动态性的新框架。实验结果表明，BotDGT 在准确性、召回率和 F1 得分等方面优于忽视社交网络动态性的主要方法。
发现论文，激发创造
  • 利用关系图转换器识别具有异质性的 Twitter 机器人

    本文提出了一种新的 bot 检测框架，使用由用户构成的异构图的拓扑结构建模，并模拟用户间的多样性关系。具体而言，通过关系图转换将异构网络中的节点表示学习为表示性图，并使用语义关注网络对用户和关系之间的信息进行聚合，得出表现良好的检测结果。

    Sep, 2021

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 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

  • 基于 Transformer 的动态图异常检测

    本文提出了一种用于动态图的基于 Transformer 的异常检测框架 (TADDY)，通过建立全面、信息丰富的节点编码策略和捕捉动态图的时空耦合模式进行节点的异常检测，该方法在六个真实世界数据集上表现优于现有的最先进方法。

    Jun, 2021

  • 利用动态图转换器预测研究社区中的技术专长和能力演变

    利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。

    Jul, 2023

  • 使用图神经网络自动检测僵尸网络

    本文研究使用现代深度学习技术自动学习 botnet 检测策略的神经网络设计挑战，通过在大规模真实网络中叠加不同通信模式的 botnet 连接来产生训练数据，使用图神经网络来检测集中式和分散式 botnet 的结构，实验结果表明，图神经网络比之前的非学习方法能更好地捕捉 botnet 结构，并且深层图神经网络对于学习复杂的 botnet 拓扑结构至关重要。

    Mar, 2020

  • 流式图神经网络

    本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

    Oct, 2018

  • 通过对抗时空图表示学习进行动态社区检测

    本文提出了一种新的方法 —— 对抗时变图表示学习 (ATGRL)，用于从大脑网络的少量样本数据中检测动态社区。该方法采用了一种新型的时变图注意力网络作为编码器，通过空间和时间维度上的注意力机制来捕获更高效的时空特征，并采用对抗性训练来指导时变图表示的学习，并最大化社区的模块度度量损失，实验证明了该方法的有效性。

    Jun, 2022

  • Attention 机制在欺诈检测中的图动态建模

    本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

    Apr, 2022

  • 基于关系图卷积网络的 Twitter 机器人检测

    提出了一种基于关系图卷积网络的 Twitter 机器人检测方法 BotRGCN，它通过构建由关注关系组成的异构图来解决社群挑战，并利用多模用户语义和属性信息来捕获具有多样化伪装的机器人，实验结果表明，BotRGCN 在基准测试 TwiBot-20 中的性能优于竞争方法。

    Jun, 2021