본 논문은 소셜 봇 탐지를 위한 새로운 불확실성 추정 프레임워크인 UESBD(Uncertainty Estimation for Social Bot Detection)를 제시합니다. 기존 신경망 기반 탐지기의 일반화 성능 저하 및 과신뢰 예측 문제를 해결하기 위해, 다양한 모드의 데이터를 활용하는 강건한 다중 모드 신경 프로세스(RMNP)를 제안합니다. RMNP는 모드별 인코더를 통해 단일 모드 표현을 학습하고, 단일 모드 주의 신경 프로세스를 사용하여 단일 모드 잠재 변수의 가우시안 분포를 인코딩합니다. 모드 간의 충돌을 방지하기 위해 증거 게이팅 네트워크를 도입하여 각 모드의 신뢰성을 명시적으로 모델링하고, 일반화된 전문가의 곱을 통해 각 모드의 신뢰성을 고려하여 결합된 잠재 분포를 학습합니다. 마지막으로, 결합된 잠재 분포의 몬테카를로 샘플링을 통해 최종 예측을 얻습니다. 실제 데이터셋을 이용한 실험 결과, RMNP의 분류 및 불확실성 추정 성능, 그리고 모드 충돌에 대한 강건성을 보여줍니다.
