- RF-GNN: Random Forest Boosted Graph Neural Community zur Erkennung sozialer Bots (arXiv)
Autor: Shuhao Shi, Kai Qiao, Jie Yang, Baojie-Lied, Jian Chen, Bin Yan
Zusammenfassung: Die Präsenz einer großen Anzahl von Bots in sozialen Medien führt zu negativen Auswirkungen. Obwohl der Random-Forest-Algorithmus bei der Bot-Erkennung weit verbreitet ist und die Leistung schwacher Klassifikatoren erheblich verbessern kann, kann er die Interaktion zwischen Konten nicht nutzen. In diesem Artikel wird ein durch Random Forest verstärktes graphisches neuronales Netzwerk zur Erkennung sozialer Bots namens RF-GNN vorgeschlagen, das graphische neuronale Netzwerke (GNNs) als Basisklassifikatoren zum Aufbau einer zufälligen Gesamtstruktur verwendet und dabei die Vorteile von Ensemble-Lernen und GNNs zur Verbesserung effektiv kombiniert Genauigkeit und Robustheit des Modells. Insbesondere werden verschiedene Untergraphen durch Knotenabtastung, Merkmalsauswahl und Kantenausfall als unterschiedliche Trainingssätze konstruiert. Anschließend werden GNN-Basisklassifikatoren mithilfe verschiedener Untergraphen trainiert, und die verbleibenden Funktionen werden zum Coaching des Totally Related Netural Community (FCN) verwendet. Die Ausgaben von GNN und FCN werden in jedem Zweig abgeglichen. Schließlich werden die Ausgaben aller Zweige aggregiert, um das Endergebnis zu erzeugen. Darüber hinaus ist RF-GNN mit verschiedenen weit verbreiteten GNNs zur Knotenklassifizierung kompatibel. Umfangreiche experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode eine bessere Leistung als andere hochmoderne Methoden erzielt.
2.Vom On-line-Verhalten zu Bildern: Ein neuartiger Ansatz zur Erkennung sozialer Bots (arXiv)
Autor: Edoardo Di Paolo, Marinella Petrocchi, Angelo Spognardi
Zusammenfassung: Soziale On-line-Netzwerke haben die Artwork und Weise, wie wir Informationen konsumieren und teilen, revolutioniert, aber sie haben auch zu einer Verbreitung von Inhalten geführt, die nicht immer zuverlässig und korrekt sind. Es ist bekannt, dass eine bestimmte Artwork von Social-Media-Konten unseriöse Inhalte, überparteiliche und propagandistische Informationen fördert. Es handelt sich um automatisierte Konten, die allgemein als Bots bezeichnet werden. Wir konzentrieren uns auf Twitter-Konten und schlagen einen neuartigen Ansatz zur Bot-Erkennung vor: Wir schlagen zunächst einen neuen Algorithmus vor, der die Abfolge von Aktionen, die ein Konto ausführt, in ein Bild umwandelt; Anschließend nutzen wir die Stärke von Convolutional Neural Networks, um mit der Bildklassifizierung fortzufahren. Wir vergleichen unsere Leistungen mit aktuellen Ergebnissen zur Bot-Erkennung auf echten Konten/Bot-Konten-Datensätzen, die in der Literatur bekannt sind. Die Ergebnisse bestätigen die Wirksamkeit des Vorschlags, denn die Detektionsfähigkeit entspricht dem Stand der Technik, wenn nicht sogar besser
