Detección proactiva de bots basada en principios de información estructural

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Análisis de Redes Sociales

Sus antecedentes:

• La detección de bots es vital para la autenticidad de las redes sociales.
• Los bots sofisticados evaden los métodos de detección actuales, creando una carrera armamentista.
• Los métodos existentes luchan con los comportamientos cambiantes de los bots.

Objetivo del estudio:

• Proponer un marco novedoso, SIAMD, para la detección proactiva de bots sociales.
• Modelar eficazmente los comportamientos de los bots utilizando información estructural y aprendizaje adversario.
• Mejorar la generalización, la robustez y la interpretabilidad de la detección de bots.

Principales métodos:

• Organización de las interacciones de cuentas de usuario y mensajes en una estructura heterogénea.
• Cuantificación de la incertidumbre de la actividad histórica utilizando la entropía estructural.
• Aprovechamiento de modelos de lenguaje grandes para la generación de contenido sintético y la evolución de redes.

Principales resultados:

• SIAMD supera significativamente a las bases de referencia de detección de bots de última generación.
• Demostró eficacia, generalización y robustez en conjuntos de datos del mundo real.
• Logró una detección proactiva mejorada a través de la evolución de la red adversaria.

Conclusiones:

• SIAMD ofrece un enfoque robusto y eficaz para la detección de bots sociales.
• La naturaleza adversaria del marco mejora su capacidad para contrarrestar bots sofisticados.
• Los principios de información estructural y la integración de LLM avanzan las capacidades de detección de bots.