Resumen: Detectar comportamientos no auténticos coordinados en las redes sociales sigue siendo un desafío crítico y persistente, ya que la mayoría de los enfoques existentes se basan en análisis de correlación superficial, emplean configuraciones de parámetros estáticos y exigen anotaciones manuales extensas y laboriosas. Para abordar estas limitaciones sistemáticamente, proponemos el marco de Detección Adaptativa de Coordinación Causal (ACCD). ACCD adopta una arquitectura progresiva de tres etapas que aprovecha un mecanismo adaptativo guiado por la memoria para aprender dinámicamente y retener configuraciones de detección óptimas para diversos escenarios de coordinación. Específicamente, en la primera etapa, ACCD introduce una técnica adaptativa de mapeo cruzado convergente (CCM) para identificar en profundidad relaciones causales genuinas entre cuentas. La segunda etapa integra el aprendizaje activo con el muestreo de incertidumbre dentro de un esquema de clasificación semisupervisado, lo que reduce significativamente la carga del etiquetado manual. La tercera etapa implementa un módulo de validación automatizado impulsado por la experiencia de detección histórica, lo que permite la autoverificación y optimización de los resultados de la detección. Llevamos a cabo una evaluación integral utilizando conjuntos de datos del mundo real, incluido el conjunto de datos IRA de Twitter, seguimientos de coordinación de Reddit y varios puntos de referencia de detección de bots ampliamente adoptados. Los resultados experimentales demuestran que ACCD alcanza una puntuación F1 del 87,3% en detección coordinada de ataques, lo que representa una mejora del 15,2% con respecto a la base de referencia más sólida existente. Además, el sistema reduce los requisitos de anotación manual en un 68% y logra una aceleración de 2,8 veces en el procesamiento mediante la optimización de la agrupación jerárquica. En resumen, ACCD proporciona una solución de extremo a extremo más precisa, eficiente y altamente automatizada para identificar comportamientos coordinados en plataformas sociales, ofreciendo un valor práctico sustancial y un potencial prometedor para una amplia aplicación.
Publicado originalmente en export.arxiv.org el 4 de enero de 2026.
Ver fuente original
