在今天Face book博客上的一篇文章中，工程師們描述了一種算法-SybilEdge-來檢測假賬戶，這些假賬戶在注冊時(shí)逃避Face book的反虐過濾器，但還沒有足夠的朋友來延續(xù)虐待。 目標(biāo)是降低賬戶對其他用戶發(fā)起攻擊的能力，部分是通過比較用戶向擴(kuò)展社交網(wǎng)絡(luò)添加好友的方式。

SybilEdge能夠發(fā)現(xiàn)假的Face book賬戶不到一周，朋友的請求不到20個(gè)，它立即申請平臺來處理關(guān)于流行的一波誤導(dǎo)性信息。 路透社牛津大學(xué)新聞學(xué)研究所發(fā)表的一項(xiàng)分析發(fā)現(xiàn)，33%的人在Twitter、Face book和YouTube等社交網(wǎng)絡(luò)上看到了某種形式的關(guān)于COVID-19的錯(cuò)誤信息。

在設(shè)計(jì)SybilEdge時(shí)，開發(fā)團(tuán)隊(duì)指出，施虐者需要連接到目標(biāo)才能發(fā)起虐待-也就是說，他們需要找到目標(biāo)，向他們發(fā)送朋友請求，并接受請求。 也許不足為奇的是，F(xiàn)ace book內(nèi)部研究表明，非用戶在選擇朋友和那些朋友對朋友請求的回應(yīng)方面都有所不同：假帳戶的請求比真實(shí)用戶的請求更經(jīng)常被拒絕。 此外，假賬戶在選擇朋友請求目標(biāo)時(shí)往往很小心，這可能會(huì)最大限度地提高他們的請求被接受的概率。

Face book創(chuàng)建了一個(gè)語料庫，通過將用戶分成兩組來訓(xùn)練SybilEdge：那些更有可能接受來自真實(shí)帳戶的朋友請求的人和那些可能接受虛假帳戶請求的人。 如果前者拒絕傳入的請求，它將發(fā)出請求者是合法用戶的信號。 另一方面，如果接受更多假請求的用戶接受請求，則表明請求者可能是假的。

西比爾邊緣分兩個(gè)階段工作。 首先，它是通過觀察上述樣本的時(shí)間來訓(xùn)練的，然后它利用Face book的行為和內(nèi)容分類器的輸出，這些分類器根據(jù)實(shí)際的濫用標(biāo)記帳戶。 這個(gè)訓(xùn)練階段為模型提供了所有必要的參數(shù)（即從數(shù)據(jù)中估計(jì)的配置變量，以及模型在進(jìn)行預(yù)測時(shí)所需的配置變量），以便為每個(gè)朋友的請求和響應(yīng)實(shí)時(shí)運(yùn)行，并更新請求者被假的概率。

Face book聲稱，SybilEdge在檢測假賬戶方面的準(zhǔn)確率高于90%，平均有15個(gè)或更少的朋友請求，在檢測5個(gè)朋友請求的假賬戶方面的準(zhǔn)確率高于80%。 此外，與其比較的基線不同，它的性能不會(huì)隨著更多的朋友請求而降低（超過45）。

“SybilEdge幫助我們快速識別施虐者，并以一種可以解釋和分析的方式。 在不久的將來，我們計(jì)劃研究更多的方法，可以進(jìn)一步加快發(fā)現(xiàn)濫用帳戶，并幫助作出自信的決定，甚至比SybilEdge更快。 我們計(jì)劃通過混合基于特征和基于行為的模型來實(shí)現(xiàn)這一點(diǎn)，“Face book寫道。

Face book正向一種名為自我監(jiān)督學(xué)習(xí)的人工智能培訓(xùn)技術(shù)邁進(jìn)，在這種技術(shù)中，未標(biāo)記數(shù)據(jù)與少量標(biāo)記數(shù)據(jù)一起使用，以提高學(xué)習(xí)精度。 Face book的深度實(shí)體分類（DEC）機(jī)器學(xué)習(xí)框架在部署以來的兩年里導(dǎo)致平臺上濫用賬戶減少了20%。 在一個(gè)單獨(dú)的實(shí)驗(yàn)中，F(xiàn)ace book的研究人員能夠訓(xùn)練一個(gè)語言理解模型，該模型只有80個(gè)小時(shí)的數(shù)據(jù)，而人工標(biāo)記的數(shù)據(jù)為12，000個(gè)小時(shí)。