Deteksi Berprinsip Manipulasi Terkoordinasi dari Distorsi Agregat dan Penggunaan Ulang Akun

Lapisan bukti berbasis agregat untuk mendeteksi manipulasi kolektif melalui distorsi distribusi dan hukum penggunaan ulang akun

Qian Guo; Yidan Hu; Rui Zhang· 2026· DOI 10.48550/arXiv.2609.13407

Masalah inti

Manipulasi terkoordinasi pada dasarnya bersifat kolektif: sejumlah akun yang tampak masuk akal secara bersama-sama mendistorsi rating, peringkat, dan metrik keterlibatan. Pertahanan yang ada biasanya menyusun bukti dari identitas, graf, konten, atau pola aktivitas bersama. Karya ini mengusulkan pendekatan yang secara mendasar berbeda—lapisan bukti berbasis agregat yang memperlakukan distorsi distribusi hasil tingkat konteks sebagai objek bukti utama. Mesin ini hanya mengamati histogram, jumlah, resolusi, dan distribusi referensi, dengan sengaja menahan identitas sampai bukti interval ditetapkan. Desain ini menjawab celah kritis: meskipun akun individual mungkin tampak tidak berbahaya, dampak kolektifnya terhadap distribusi agregat dapat mengungkap manipulasi terkoordinasi. Penulis memotivasi kebutuhan akan metode yang tangguh terhadap penyamaran identitas dan dapat mendeteksi manipulasi bahkan ketika akun digunakan ulang lintas konteks. Wawasan utama makalah ini adalah bahwa selisih mentah antara distribusi teramati dan distribusi referensi memiliki ekspektasi positif pada sampel berhingga, sehingga memerlukan pengurangan ekspektasi nol yang dipadankan untuk memperoleh bukti bertan

Dalam sapuan serangan tetap terhadap akun pembanding non-donor historis, pengalihan peristiwa termanipulasi yang sama lintas identitas dengan penggunaan ulang yang meningkat menaikkan ROC-AUC skor akun dari 0.500 menjadi 0.797. Dengan kembaran bersih yang dipadankan aktivitas dan eksposurnya, deteksi berbasis frekuensi tetap pada tingkat kebetulan (ROC-AUC \approx 0.500) sementara atribusi kontrafaktual mencapai ROC-AUC 0.744. Di bawah intervensi bentuk yang mempertahankan rata-rata, bukti Wasserstein-1 dan Jensen-Shannon mencapai ROC-AUC 0.909 dan 0.967, sedangkan atribusi berbasis frekuensi dan rata-rata tetap pada tingkat kebetulan. Bukti agregat melengkapi aktivitas bersama berulang, meningkatkan ROC-AUC mekanisme campuran dari 0.750 menjadi 0.874 dengan kombinasi sederhana tanpa pelatihan. Hasil ini menunjukkan bahwa bukti bentuk distribusi sangat diskriminatif bahkan ketika rata-rata dan frekuensi tidak informatif. Hukum penggunaan ulang linear divalidasi secara empiris: seiring meningkatnya penggunaan ulang, skor akun meningkat secara proporsional, memungkinkan deteksi manipulasi terkoordinasi yang tidak akan terlihat oleh metode berbasis identitas atau graf. Eksperimen terkendali

Manipulasi terkoordinasi pada dasarnya bersifat kolektif: sejumlah akun yang tampak masuk akal secara bersama-sama mendistorsi rating, peringkat, dan metrik keterlibatan. Pertahanan yang ada biasanya menyusun bukti dari identitas, graf, konten, atau pola aktivitas bersama. Karya ini mengusulkan pendekatan yang secara mendasar berbeda—lapisan bukti berbasis agregat yang memperlakukan distorsi distribusi hasil tingkat konteks sebagai objek bukti utama. Mesin ini hanya mengamati histogram, jumlah, resolusi, dan distribusi referensi, dengan sengaja menahan identitas sampai bukti interval ditetapkan. Desain ini menjawab celah kritis: meskipun akun individual mungkin tampak tidak berbahaya, dampak kolektifnya terhadap distribusi agregat dapat mengungkap manipulasi terkoordinasi. Penulis memotivasi kebutuhan akan metode yang tangguh terhadap penyamaran identitas dan dapat mendeteksi manipulasi bahkan ketika akun digunakan ulang lintas konteks. Wawasan utama makalah ini adalah bahwa selisih mentah antara distribusi teramati dan distribusi referensi memiliki ekspektasi positif pada sampel berhingga, sehingga memerlukan pengurangan ekspektasi nol yang dipadankan untuk memperoleh bukti bertanda. Bukti bertanda ini kemudian terakumulasi lintas akun melalui log partisipasi, memungkinkan deteksi perilaku terkoordinasi tanpa pelacakan identitas eksplisit.

Mesin yang diusulkan beroperasi pada statistik agregat: histogram H dari hasil, jumlah total N, resolusi Δ, dan distribusi referensi P_{ref} . Untuk setiap konteks, selisih mentah dihitung sebagai D_{raw} = i \sum ∣ H_{i} / N - P_{ref, i} ∣ . Karena E [D_{raw}] > 0 di bawah hipotesis nol akibat pengambilan sampel berhingga, metode ini mengurangkan ekspektasi nol yang dipadankan E_{0} [D_{raw}] untuk memperoleh bukti bertanda S = D_{raw} - E_{0} [D_{raw}] . Ketidakpastian referensi diperhitungkan dengan mengintegrasikan atas prior pada P_{ref} . Log partisipasi kemudian mengakumulasi kenaikan tetap ini lintas akun: untuk akun a, skornya adalah score (a) = c \in contexts (a) \sum S_{c} \cdot w_{a, c}, dengan w_{a, c} adalah bobot eksposur. Penulis mencirikan divergensi eksposur yang dipadankan, membatasi pengaruh diri, menetapkan pemisahan horizon berhingga, dan menurunkan hukum penggunaan ulang linear eksak untuk konteks berpasangan: jika peristiwa termanipulasi yang sama dialihkan lintas identitas dengan faktor penggunaan ulang r, ekspektasi skor berskala linear terhadap r . Metodologi dievaluasi melalui eksperimen rotasi terkendali dan intervensi kontrafaktual berpasangan pada aliran ulasan Amazon historis, menggunakan identitas sintetis dengan keanggotaan koalisi yang diketahui dan kembaran bersih eksak sebagai kontrol.

Kontribusi utama makalah ini adalah menggeser basis pembuktian dari fitur tingkat individu ke distorsi distribusi agregat. Pendekatan ini sangat kuat karena tidak memerlukan resolusi identitas, konstruksi graf, atau analisis konten—sehingga tangguh terhadap penyamaran adversarial. Pengurangan ekspektasi nol yang dipadankan sangat penting: tanpanya, selisih mentah akan menghasilkan positif palsu akibat derau sampel berhingga. Bukti bertanda S memberikan ukuran manipulasi yang berprinsip dan terakumulasi lintas konteks. Hukum penggunaan ulang linear eksak menawarkan landasan teoretis untuk mendeteksi penggunaan ulang akun, taktik umum dalam manipulasi terkoordinasi. Evaluasi pada aliran ulasan Amazon historis menunjukkan kelayakan praktis, dengan peningkatan ROC-AUC hingga 0.967 di bawah intervensi bentuk. Kombinasi dengan bukti aktivitas bersama menunjukkan bahwa deteksi berbasis agregat dapat melengkapi metode yang ada, meningkatkan kinerja mekanisme campuran. Batasan mencakup kebutuhan akan distribusi referensi yang andal dan asumsi bahwa manipulasi mendistorsi distribusi hasil dengan cara yang dapat dideteksi. Penelitian selanjutnya dapat memperluas kerangka ini ke pengaturan dinamis dan manipulasi referensi adversarial. Secara keseluruhan, karya ini menetapkan distorsi agregat sebagai objek bukti kelas utama untuk mendeteksi manipulasi terkoordinasi, dengan jaminan teoretis yang kuat dan validasi empiris.

Praktisi dan peneliti ilmu komputer

Membuka konten member…