Adversarial Socialbots Modeling Based on Structural Information Principles

要約

効果的な検出の重要性は、ソーシャルボットが人間の行動を模倣して誤った情報を広め、ソーシャルボットと検出器の間で継続的な競争につながっているという事実によって強調されています。
リアクティブ検出器の急速な進歩にもかかわらず、敵対的ソーシャルボット モデリングの探求は依然として不完全であり、プロアクティブ検出器の開発を大幅に妨げています。
この問題に対処するために、我々は、敵対的行動のより正確かつ効果的なモデリングを可能にする、数学的構造情報原則に基づく敵対的ソーシャルボット モデリング フレームワーク、すなわち SIASM を提案します。
まず、元のソーシャル ネットワーク内のさまざまなユーザーと豊富なアクティビティを統合し、その動的な不確実性を構造エントロピーとして測定するために、異種グラフが提示されます。
高次元の構造エントロピーを最小限に抑えることで、ソーシャル ネットワークの階層的なコミュニティ構造が生成され、最適なエンコーディング ツリーと呼ばれます。
次に、割り当てられた構造エントロピーを利用して影響力を定量化する新しい方法が設計されており、影響力のないユーザーを除外することで SIASM の計算コストを削減します。
さらに、ネットワークへの影響を最大化するためのフォロワーの選択をガイドするために、ソーシャルボットと他のユーザーの間に新しい条件付き構造エントロピーが定義されます。
同種ソーシャルネットワークと異種ソーシャルネットワークの両方に関する広範な比較実験により、提案された SIASM フレームワークは、最先端のベースラインと比較して、ネットワークへの影響力 (最大 16.32%) と持続可能なステルス性 (最大 16.32%) の点で大幅なパフォーマンス向上が得られることが実証されました。
16.29%) 90% の精度を持つ堅牢な検出器に対して評価した場合。

要約(オリジナル)

The importance of effective detection is underscored by the fact that socialbots imitate human behavior to propagate misinformation, leading to an ongoing competition between socialbots and detectors. Despite the rapid advancement of reactive detectors, the exploration of adversarial socialbot modeling remains incomplete, significantly hindering the development of proactive detectors. To address this issue, we propose a mathematical Structural Information principles-based Adversarial Socialbots Modeling framework, namely SIASM, to enable more accurate and effective modeling of adversarial behaviors. First, a heterogeneous graph is presented to integrate various users and rich activities in the original social network and measure its dynamic uncertainty as structural entropy. By minimizing the high-dimensional structural entropy, a hierarchical community structure of the social network is generated and referred to as the optimal encoding tree. Secondly, a novel method is designed to quantify influence by utilizing the assigned structural entropy, which helps reduce the computational cost of SIASM by filtering out uninfluential users. Besides, a new conditional structural entropy is defined between the socialbot and other users to guide the follower selection for network influence maximization. Extensive and comparative experiments on both homogeneous and heterogeneous social networks demonstrate that, compared with state-of-the-art baselines, the proposed SIASM framework yields substantial performance improvements in terms of network influence (up to 16.32%) and sustainable stealthiness (up to 16.29%) when evaluated against a robust detector with 90% accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google