FedRio: 협력적 강화된 대비적 적대적 증류를 통한 개인 맞춤형 연합 소셜 봇 탐지

FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation

소셜 봇 탐지는 온라인 소셜 플랫폼의 안정성과 보안에 매우 중요합니다. 그러나 현재 최첨단 봇 탐지 모델은 대부분 개별적으로 개발되며, 플랫폼 간에 공유되는 탐지 패턴을 활용하여 성능을 향상하고 새로운 봇 변형을 신속하게 식별하는 데 필요한 이점을 간과합니다. 데이터 분포 및 모델 아키텍처의 이질성은 효과적인 플랫폼 간 및 모델 간 탐지 프레임워크 설계를 더욱 어렵게 만듭니다. 이러한 과제에 대응하기 위해, 우리는 협력적 강화된 대비적 적대적 증류 프레임워크를 이용한 개인 맞춤형 연합 소셜 봇 탐지 시스템인 FedRio를 제안합니다. 먼저, 각 클라이언트에 대한 그래프 신경망의 핵심 모듈로 적응형 메시지 전달 모듈을 도입합니다. 전역 데이터 분포의 효율적인 지식 공유를 촉진하기 위해, 생성적 적대 신경망을 기반으로 하는 연합 지식 추출 메커니즘을 설계했습니다. 또한, 다단계 적대적 대비 학습 전략을 사용하여 클라이언트 간의 특징 공간 일관성을 강화하고 로컬 모델과 전역 모델 간의 차이를 줄입니다. 마지막으로, 데이터 이질성을 가진 연합 환경에서 더 나은 성능을 얻기 위해, 적응형 서버 측 파라미터 집계 및 강화 학습 기반 클라이언트 측 파라미터 제어를 채택했습니다. 두 개의 실제 소셜 봇 탐지 벤치마크에 대한 광범위한 실험 결과, FedRio는 탐지 정확도, 통신 효율성 및 특징 공간 일관성 측면에서 최첨단 연합 학습 기준 모델보다 일관되게 우수한 성능을 보이며, 동시에 훨씬 더 강력한 개인 정보 보호 제약 조건 하에서 공개된 중앙 집중식 결과와 경쟁력 있는 성능을 유지합니다.

Social bot detection is critical to the stability and security of online social platforms. However, current state-of-the-art bot detection models are largely developed in isolation, overlooking the benefits of leveraging shared detection patterns across platforms to improve performance and promptly identify emerging bot variants. The heterogeneity of data distributions and model architectures further complicates the design of an effective cross-platform and cross-model detection framework. To address these challenges, we propose FedRio (Personalized Federated Social Bot Detection with Cooperative Reinforced Contrastive Adversarial Distillation framework. We first introduce an adaptive message-passing module as the graph neural network backbone for each client. To facilitate efficient knowledge sharing of global data distributions, we design a federated knowledge extraction mechanism based on generative adversarial networks. Additionally, we employ a multi-stage adversarial contrastive learning strategy to enforce feature space consistency among clients and reduce divergence between local and global models. Finally, we adopt adaptive server-side parameter aggregation and reinforcement learning-based client-side parameter control to better accommodate data heterogeneity in heterogeneous federated settings. Extensive experiments on two real-world social bot detection benchmarks demonstrate that FedRio consistently outperforms state-of-the-art federated learning baselines in detection accuracy, communication efficiency, and feature space consistency, while remaining competitive with published centralized results under substantially stronger privacy constraints.