通过多模态学习和研究引导的特征集成改进虚假个人资料检测

摘要

arXiv:2610.23926v1 Announce Type: new Abstract: Fake accounts continue to undermine online platforms, yet it remains unclear whether multimodal learning offers meaningful improvements over strong meta...

and metadata multimodal graph account based this study textual visual

2026-10-20 1 阅读约1分钟阅读 Jean Claude Hirwa, Jamiu Dahunsi, Candide Giramata, Lowami Uwimana, Thierry Henry Ishimwe

arXiv:2610.23926v1 公告类型：新摘要：虚假帐户继续破坏在线平台，但目前尚不清楚多模式学习是否能够比强大的元数据基线或基于图形的方法提供有意义的改进。在这项工作中，我们通过使用 30,000 个用户的子样本在 TwiBot-22 基准上集成文本、视觉和帐户元数据信号来研究机器人检测。我们提出了一个多模态框架，将预训练的文本 (XLM-RoBERTa) 和视觉 (CLIP) 嵌入与结构化帐户级特征（例如关注者数量、发帖频率和帐户年龄）相结合，并使用 CatBoost 和关系图卷积网络 (R-GCN) 来评估多种模态组合。结果表明，元数据本身具有高度预测性，而多模态融合只能产生边际收益，而且在统计上基本上不显着。在本研究的二次采样图条件下，基于图的模型的性能低于经典模型。总的来说，我们的研究结果表明，在实际限制下，特征质量和元数据丰富性比融合复杂性更重要。

订阅66必读