봇 탐지의 혁신: 이종친화성 기반 표현 학습과 프로토타입 가이드 클러스터 발견

중국과학원 자동화연구소 연구진이 개발한 BotHP는 이종친화성(heterophily)을 고려한 표현 학습과 프로토타입 기반 클러스터 발견을 통해 소셜 미디어 봇 탐지 성능을 크게 향상시키는 혁신적인 기술입니다. 실험 결과, 기존 방법 대비 우수한 성능을 보였으며, 향후 봇 탐지 기술 발전에 크게 기여할 것으로 기대됩니다.

온라인 세상의 어두운 그림자, 소셜 미디어 봇. 가짜 계정들은 허위 정보 유포, 여론 조작, 사이버 범죄 등에 악용되며, 온라인 공간의 신뢰성과 안전성을 심각하게 위협합니다. 그래서 봇 탐지는 매우 중요한 과제입니다. 하지만 기존의 그래프 기반 봇 탐지 방법들은 레이블 의존도가 높고, 다양한 커뮤니티에 대한 일반화 능력이 부족하다는 한계를 가지고 있었습니다.

중국과학원 자동화연구소(CASIA) 의 연구진들은 이러한 문제를 해결하기 위해 획기적인 새로운 방법을 제안했습니다. 바로 BotHP입니다. BotHP는 Generative Graph Self-Supervised Learning (GSL) 을 기반으로 하여, 이종친화성(heterophily)을 고려한 표현 학습과 프로토타입 기반 클러스터 발견을 통해 봇 탐지 성능을 크게 향상시킵니다.

BotHP의 핵심은 이종친화성을 고려하는 것입니다. 기존의 방법들은 주로 유사한 노드끼리 그룹을 짓는 동질성(homophily) 가정에 의존했지만, 봇들은 교묘하게 다른 노드들과 상호 작용하며 자신을 숨기는 경우가 많습니다. BotHP는 그래프 인식 인코더와 그래프 비인식 인코더를 사용하는 이중 인코더 아키텍처를 통해 노드의 공통성과 고유성을 동시에 모델링하여 이러한 이종친화성을 효과적으로 포착합니다. 이를 통해 상호작용 위장 문제에 효과적으로 대응할 수 있습니다.

또한, BotHP는 프로토타입 기반 클러스터 발견이라는 새로운 전략을 도입했습니다. 이는 봇 클러스터의 잠재적인 전역 일관성을 모델링하고, 공간적으로 분산되어 있지만 의미적으로 일치하는 봇 집단을 식별하는 데 도움이 됩니다. 이는 기존 방법이 놓치기 쉬운 봇들의 은밀한 네트워크를 찾아내는 데 효과적입니다.

두 개의 실제 봇 탐지 벤치마크에 대한 광범위한 실험 결과, BotHP는 그래프 기반 봇 탐지기의 성능을 일관되게 향상시키고, 레이블 의존성을 완화하며, 일반화 능력을 높이는 것으로 나타났습니다. 이는 봇 탐지 분야의 괄목할 만한 발전으로, 더욱 안전하고 신뢰할 수 있는 온라인 환경 구축에 기여할 것으로 기대됩니다.

결론적으로, Buyun He 외 6명의 연구진이 개발한 BotHP는 이종친화성과 프로토타입 기반 클러스터 발견이라는 혁신적인 접근법을 통해 소셜 미디어 봇 탐지의 새로운 지평을 열었습니다. 앞으로도 이러한 기술 발전을 통해 온라인 세상의 안전과 신뢰를 지켜나가는 데 큰 도움이 될 것으로 예상됩니다.