RoBCtrl：通过强化操控机器人交互来攻击基于图神经网络的社交媒体机器人检测器

《ACM Transactions on Knowledge Discovery from Data》：RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您需要高级访问权限。

了解更多登录

摘要

摘要

社交网络已成为个人获取实时信息的重要来源。社交机器人在这些平台中的影响已引起研究人员的广泛关注，并促成了多种检测技术的发展。然而，这些检测方法的安全性和鲁棒性仍有待深入研究。现有的基于图神经网络（GNN）的方法由于对社交代理控制有限、机器人检测器的黑箱特性以及机器人的异质性问题，无法直接应用。为应对这些挑战，本文提出了首个针对基于GNN的社交机器人检测器的对抗性多智能体Reorcelfrenceling框架，用于对社交Bot control攻击（RoBtrl）。具体而言，我们通过进行微小修改来重建现有账户数据，使用扩散模型生成高保真机器人账户，从而规避社交平台上的检测。据我们所知，这是首次应用扩散模型有效模仿进化中的社交机器人行为。随后，我们采用多智能体强化学习（MARL）方法模拟机器人的对抗行为。我们根据影响力及预算对社交账户进行分类。然后，不同的智能体被用于控制各类别的机器人账户，并通过强化学习优化连接策略。此外，设计了一种基于结构熵的分层状态抽象来加速强化学习。在社交机器人检测数据集上进行的广泛实验表明，我们的框架能够有效破坏基于GNN的检测器的性能。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审核。提供此摘要旨在支持发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该研究。本摘要旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章仍是权威版本记录。点击此处了解更多。

点击此处评论本摘要的准确性、清晰度和实用性。这样做将有助于改进未来重新生成的版本。

要查看此 AI 生成的简明摘要，您需要高级访问权限。