- 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 - 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 - 揭开社交机器人研究中的误解
本文揭示和纠正了社交机器人研究中的一些事实错误和方法论和概念问题,并消除了普遍的误解,强调了社交机器人研究的意义和正确的方法和方向。
- 利用在线用户画像检测 Twitter 上的社交机器人
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。
- MM十年社交机器人检测
本文对社交媒体聊天机器人检测的第一个十年进行了概述,分析了该领域的主要趋势和取得的主要成果,并提出了可能的创新方法以对抗欺骗和操纵。
- 利用专门分类器集成检测新型社交机器人
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。
- RTbust: 在 Twitter 上利用时间模式进行僵尸网络检测
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。
- 利用人工智能武装公众以对抗社交机器人
社交媒体中出现了越来越多的机器人欺诈行为,研究者们开发了不同类型的人工智能工具,以帮助公众对抗这些欺诈行为,其中包括 Botometer 等常用的机器人检测工具。本文综述了机器人的不同类型、它们的影响以及检测方法,并通过对 Botomete - WWWTwitter 自动账户的词汇分析
本文探究社交机器人与真实账户之间的语言差异,提出的词汇丰富度、词汇复杂度和表情符号分布等识别特征,可以有效地用于机器学习模型的训练和社交机器人识别。
- 社交机器人梦到电子羊了吗?社交媒体机器人账户分类
该研究通过对社交媒体上机器人账号的系统评估,提出了一个通过两个维度(模仿人类行为和目的)对它们进行分类的方案,从而更好地了解社交机器人的不同于其他类型机器人的特征。
- 在线人机交互:检测、估计和描述
本文提出了一个基于超过一千个公共数据和元数据特征的框架,用于检测 Twitter 上的社交媒体自主实体(即社交媒体机器人)。经测试,此框架能够与公开的 Twitter 机器人数据集高度契合,可以检测不同类型的机器人,如垃圾邮件发送者、自我推 - 社交机器人网络的崛起:攻击与对策
本研究通过 Twitter 上的真实实验和追踪模拟,展示了利用社会机器人网络进行垃圾邮件分发和数字影响操作的有效性和优势,并提出了相应的对策并评估其有效性,以帮助理解社会机器人网络的潜在危害以及帮助在线社交网络改进其机器人(网络)检测系统。
- WWWBotOrNot:一个评估社交机器人的系统
BotOrNot 是一个公开的服务,它利用一千多个特征来评估 Twitter 帐户与社交机器人已知特征的相似度。自 2014 年 5 月发布以来,BotOrNot 已经通过网站和 API 处理了超过一百万个请求。
- 社交机器人的兴起
探讨社交机器人的现代特征和存在对在线生态和社会的危害性,以及对于在 Twitter 上检测社交机器人的现有努力以及这些机器人行为的特征,如内容、网络、情绪和时间模式与真实人类行为的区别。