Solution For Fake Profile Detection In Social Media

Abstract

The proliferation of fake social media profiles poses a critical threat to digital trust, enabling misinformation, fraud, and societal manipulation. This thesis conducts a comprehensive analysis of detection paradigms through a novel taxonomy categorizing textbased, hybrid, and image-based approaches. By synthesizing 17 seminal studies (2017- 2023), we benchmark performance against real-world constraints like adversarial evasion and platform variability. Our findings reveal that image-driven methods—particularly optimized gradient features—achieve state-of-the-art accuracy (99.98%) but face generalization gaps under interface changes. Text-centric models prove vulnerable to lowcontent profiles, while hybrid approaches sacrifice scalability for robustness. The study identifies urgent cross-paradigm challenges: synthetic data bias, ”cyborg” account detection failures, and platform lock-in. These insights yield actionable pathways for adaptive multimodal frameworks, advocating standardized benchmarks and adversarial hardening. This work bridges theoretical advances with operational realities to fortify digital ecosystems against evolving impersonation threats.***

La prolifération de faux profils de médias sociaux représente une menace critique pour la confiance numérique, permettant la désinformation, la fraude et la manipulation sociétale. Cette thèse effectue une analyse complète des paradigmes de détection par le biais d’une nouvelle taxonomie catégorisant les approches basées sur le texte, les approches hybrides et les approches basées sur l’image. En synthétisant 17 études fondamentales (2017-2023), nous comparons les performances aux contraintes du monde réel telles que l’évasion des adversaires et la variabilité des plateformes. Nos résultats révèlent que les méthodes basées sur l’image - en particulier les caractéristiques de gradient optimisées - atteignent une précision de pointe (99,98 %) mais sont confrontées à des lacunes de généralisation en cas de changement d’interface. Les modèles centrés sur le texte s’avèrent vulnérables aux profils à faible contenu, tandis que les approches hybrides sacrifient l’évolutivité à la robustesse. L’étude identifie les défis urgents qui se posent à tous les paradigmes : le biais des données synthétiques, les échecs de détection des comptes « cyborg » et l’enfermement dans une plateforme. Ces observations ouvrent des voies d’action pour des cadres multimodaux adaptatifs, préconisant des repères normalisés et un renforcement de la résistance à l’adversité. Ce travail fait le lien entre les avancées théoriques et les réalités opérationnelles afin de fortifier les écosystèmes numériques contre les menaces d’usurpation d’identité en constante évolution.