复旦大学网络大数据实验室牵头完成的论文FediScan: Collaborative Social Bot Detection in the Fediverse，于2026年发表于第35届国际万维网大会（The Web Conference 2026, WWW'26）并入选Oral报告。该研究针对去中心化在线社交网络（Decentralized Online Social Networks，简称DOSN）中社交机器人检测面临的数据分散、隐私约束及多模态异构等核心挑战，以代表性去中心化社交平台Mastodon为研究对象，提出了一种基于去中心化联邦学习的协作式社交机器人检测框架FediScan。
不同于传统的面向中心化在线社交网络平台的社交机器人检测方法，FediScan不依赖于集中获取用户的原始数据，而是在各站点（也称为实例即instance）本地完成模型训练，通过交换模型参数的方式实现跨实例协作学习，从根本上保护了用户隐私。FediScan有三项核心创新：（1）模态特定的数据增强模块——通过特征增强策略缓解标签不平衡问题，并设计门控注意力机制融合用户元数据、文本与图像等多模态特征，学习鲁棒的用户表征；（2）语义感知通信协议——基于实例间hashtag共现关系构建实例超图（Instance Hypergraph），引导每个实例仅与语义相似的实例进行参数交换，避免噪声知识共享；（3）异步聚合策略——采用异步Gossip协议实现实例间高效通信，加速模型收敛并降低通信开销。该研究是首个将图像模态引入社交机器人检测任务的工作，揭示了社交机器人的潜在的视觉模态信息，填补了以往仅依赖文本模态和图结构信息的空白。
本论文第一作者为实验室博士生高敏同学(现为华东理工大学信息科学与工程学院讲师)，共同作者包括实验室硕士生文雯同学和杜浩然同学，以及宾夕法尼亚州立大学段强老师、阿尔托大学肖煜老师、香港浸会大学李钰鹏老师、复旦大学王新老师和香港科技大学（广州）许彬院士。论文通讯作者为复旦大学计算与智能创新学院陈阳老师。
论文链接： https://dl.acm.org/doi/10.1145/3774904.3792690
评论 0