論文の概要: Identifying Fake Profiles in LinkedIn

• arxiv url: http://arxiv.org/abs/2006.01381v1
• Date: Tue, 2 Jun 2020 04:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:25:01.563112
• Title: Identifying Fake Profiles in LinkedIn
• Title（参考訳）: LinkedInにおけるフェイクプロファイルの特定
• Authors: Shalinda Adikari and Kaushik Dutta
• Abstract要約: LinkedInのフェイクプロフィールを特定するのに必要なプロファイルデータの最小セットを特定します。 偽プロファイル識別のための適切なデータマイニング手法を提案する。 提案手法では,87%の精度と94%のTrue Negative Rateで偽のプロフィールを識別できる。
• 参考スコア（独自算出の注目度）: 0.22843885788439797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As organizations increasingly rely on professionally oriented networks such as LinkedIn (the largest such social network) for building business connections, there is increasing value in having one's profile noticed within the network. As this value increases, so does the temptation to misuse the network for unethical purposes. Fake profiles have an adverse effect on the trustworthiness of the network as a whole, and can represent significant costs in time and effort in building a connection based on fake information. Unfortunately, fake profiles are difficult to identify. Approaches have been proposed for some social networks; however, these generally rely on data that are not publicly available for LinkedIn profiles. In this research, we identify the minimal set of profile data necessary for identifying fake profiles in LinkedIn, and propose an appropriate data mining approach for fake profile identification. We demonstrate that, even with limited profile data, our approach can identify fake profiles with 87% accuracy and 94% True Negative Rate, which is comparable to the results obtained based on larger data sets and more expansive profile information. Further, when compared to approaches using similar amounts and types of data, our method provides an improvement of approximately 14% accuracy.
• Abstract（参考訳）: 組織は、ビジネス接続を構築するためにLinkedIn(そのようなソーシャルネットワーク)のようなプロフェッショナル指向のネットワークにますます依存しているため、ネットワーク内でプロフィールに気付く価値が増している。 この値が大きくなると、ネットワークを非倫理的な目的で誤用する誘惑も起こる。 フェイクプロファイルはネットワーク全体の信頼性に悪影響を及ぼし、フェイク情報に基づくコネクション構築に要する時間と労力のかなりのコストを表わすことができる。 残念ながら、偽のプロフィールを特定するのは難しい。 一部のソーシャルネットワークではアプローチが提案されているが、一般的にLinkedInのプロフィールには公開されていないデータに依存している。 本研究では,LinkedInにおける偽プロフィール識別に必要な最小限のプロファイルデータを同定し,偽プロフィール識別のための適切なデータマイニング手法を提案する。 プロファイルデータに制限がある場合でも、87%の精度と94%のTrue Negative Rateで偽のプロファイルを識別できることを実証した。 さらに,類似した量やデータ型を用いたアプローチと比較した場合,約14%の精度向上が期待できる。

関連論文リスト

• Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
  本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。 ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。 我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-08T08:37:37Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• On mission Twitter Profiles: A Study of Selective Toxic Behavior [5.0157204307764625]
  本研究は「オンミッションプロファイル」と呼ばれる影響操作に使用される可能性のあるプロファイルを特徴付けることを目的とする。 128万件のTwitterやX、プロフィール、293万件のツイートの時系列データは、テーマの多様性に基づいたプロファイリングを可能にする。
  論文  参考訳（メタデータ） (2024-01-25T15:42:36Z)
• The Looming Threat of Fake and LLM-generated LinkedIn Profiles: Challenges and Opportunities for Detection and Prevention [0.8808993671472349]
  本稿では,LinkedIn Online Social Networkにおいて,偽および大規模言語モデル(LLM)生成プロファイルを検出する新しい手法を提案する。 提案手法は,すべての単語の埋め込みにおいて,正当性と偽のプロファイルを約95%の精度で識別できることを示す。
  論文  参考訳（メタデータ） (2023-07-21T19:09:24Z)
• Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
  我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。 生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
  論文  参考訳（メタデータ） (2023-02-24T11:27:39Z)
• Fraudulent User Detection Via Behavior Information Aggregation Network (BIAN) On Large-Scale Financial Social Network [8.687460943376605]
  本稿では,ユーザ行動と他のユーザ機能を組み合わせた行動情報集約ネットワーク(BIAN)を提案する。 実世界の大規模金融ソーシャルネットワークデータセットであるDGraphの実験結果は、BIANがAUROCの10.2%の利益を得ていることを示している。
  論文  参考訳（メタデータ） (2022-11-04T08:33:06Z)
• Detecting fake accounts through Generative Adversarial Network in online social media [0.0]
  本稿では,ユーザ類似度尺度とGANアルゴリズムを用いて,Twitterデータセット内の偽ユーザアカウントを識別する手法を提案する。 問題の複雑さにもかかわらず、この方法は偽アカウントの分類と検出において80%のAUCレートを達成する。
  論文  参考訳（メタデータ） (2022-10-25T10:20:27Z)
• RealGait: Gait Recognition for Person Re-Identification [79.67088297584762]
  我々は,既存の映像人物の再識別課題からシルエットを抽出し,制約のない方法で歩く1,404人からなる新たな歩行データセットを構築した。 以上の結果から、実際の監視シナリオにおける歩行による認識は実現可能であり、その基盤となる歩行パターンが、実際にビデオの人物認識が機能する真の理由である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-13T06:30:56Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• Friend or Faux: Graph-Based Early Detection of Fake Accounts on Social Networks [4.923937591056569]
  我々は,新しいユーザが偽アカウントであるかどうかを,(I)友達リクエストターゲットの選択と(II)これらのターゲットの応答を集約することで決定するSybilEdgeアルゴリズムを提案する。 我々は、SybilEdgeがFacebookネットワーク上で新しいフェイクユーザーを素早く検出し、最先端のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-09T22:03:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。