論文の概要: Understanding Underground Incentivized Review Services
- arxiv url: http://arxiv.org/abs/2102.04217v4
- Date: Wed, 14 Feb 2024 23:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 21:33:04.288998
- Title: Understanding Underground Incentivized Review Services
- Title(参考訳): 地下インセンティブレビューサービスを理解する
- Authors: Rajvardhan Oak and Zubair Shafiq
- Abstract要約: 我々は,HCIレンズを用いてeコマースプラットフォーム上でのレビュー詐欺について検討した。
我々は、詐欺師が業務の規模を拡大するために使用する高度な採用、執行、報告メカニズムを明らかにする。
これらのサービスが運用する通信チャネルを遮断する対策は、インセンティブ付きレビューと戦うのに有効である。
- 参考スコア(独自算出の注目度): 26.402818153734035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While human factors in fraud have been studied by the HCI and security
communities, most research has been directed to understanding either the
victims' perspectives or prevention strategies, and not on fraudsters, their
motivations and operation techniques. Additionally, the focus has been on a
narrow set of problems: phishing, spam and bullying. In this work, we seek to
understand review fraud on e-commerce platforms through an HCI lens. Through
surveys with real fraudsters (N=36 agents and N=38 reviewers), we uncover
sophisticated recruitment, execution, and reporting mechanisms fraudsters use
to scale their operation while resisting takedown attempts, including the use
of AI tools like ChatGPT. We find that countermeasures that crack down on
communication channels through which these services operate are effective in
combating incentivized reviews. This research sheds light on the complex
landscape of incentivized reviews, providing insights into the mechanics of
underground services and their resilience to removal efforts.
- Abstract(参考訳): 詐欺のヒューマンファクターはhciやセキュリティコミュニティによって研究されてきたが、ほとんどの研究は被害者の視点や予防戦略を理解することを目的としている。
さらに、フィッシング、スパム、いじめといった、狭い問題にも焦点が当てられている。
本研究では,hciレンズによる電子商取引プラットフォームにおけるレビュー詐欺の理解を目指している。
実際の詐欺師(N=36エージェントとN=38レビュアー)による調査を通じて、ChatGPTのようなAIツールの使用を含む、削除の試みに抵抗しながら、詐欺師が操作をスケールするために使用する高度な採用、実行、報告メカニズムを明らかにする。
これらのサービスが運用する通信チャネルの取り締まりは,インセンティブ付レビューの対処に有効であることが判明した。
この研究は、インセンティブ付きレビューの複雑なランドスケープに光を当て、地下サービスの仕組みとその除去努力に対するレジリエンスに関する洞察を提供する。
関連論文リスト
- A Safe Harbor for AI Evaluation and Red Teaming [124.89885800509505]
一部の研究者は、そのような研究の実施や研究成果の公表が、アカウント停止や法的報復につながることを恐れている。
我々は、主要なAI開発者が法的、技術的に安全な港を提供することを約束することを提案します。
これらのコミットメントは、ジェネレーティブAIのリスクに取り組むための、より包括的で意図しないコミュニティ努力への必要なステップである、と私たちは信じています。
論文 参考訳(メタデータ) (2024-03-07T20:55:08Z) - Classification of Instagram fake users using supervised machine learning
algorithms [0.0]
本稿では,そのような不正直な実体を検知・中和するアプリケーションを提案する。
アプリケーションのユーザ中心の設計により、調査機関のアクセシビリティが保証される。
論文 参考訳(メタデータ) (2023-11-21T03:59:14Z) - Tainted Love: A Systematic Review of Online Romance Fraud [68.8204255655161]
ロマンス詐欺は、オンラインデートプラットフォーム上でのロマンチックな関係をサイバー犯罪者が構築することを含む。
我々は,ロマンス詐欺の文学的景観を特徴づけ,研究者や実践者の理解を深める。
主な貢献は, ロマンス詐欺のプロファイル, ロマンス詐欺の緩和対策, 詐欺師や被害者となることを前提とした要因の3つであった。
論文 参考訳(メタデータ) (2023-02-28T20:34:07Z) - Challenges and Complexities in Machine Learning based Credit Card Fraud
Detection [0.0]
取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。
機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。
しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
論文 参考訳(メタデータ) (2022-08-20T07:53:51Z) - A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。
この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。
我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
論文 参考訳(メタデータ) (2022-06-24T20:23:33Z) - Transfer Learning for Credit Card Fraud Detection: A Journey from
Research to Production [29.50963185641885]
最先端の不正検出システムは、機械学習(ML)モジュールを組み込んでいる。
本稿では, 不正検出のための転帰学習, ビジネスから研究, ビジネスへの回帰を事例として, プロセスのより広いビジョンについて述べる。
論文 参考訳(メタデータ) (2021-07-20T08:29:04Z) - Fragments of the Past: Curating Peer Support with Perpetrators of
Domestic Violence [88.37416552778178]
我々は,過去フラグメントの設計と展開において,6人の支援労働者と18人の加害者とともに働いた10ヶ月の研究を報告した。
私たちは、暴力から脱却した経験をデジタルで強化された成果物、すなわち「フラグメント」を作ることが、メッセージのモチベーションと仲間間のラッピングをいかに翻訳するかを共有します。
これらの知見は、挑戦的な人口を持つ将来のネットワーク設計の実践的考察の基礎となる。
論文 参考訳(メタデータ) (2021-07-09T22:57:43Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳(メタデータ) (2021-04-29T09:54:54Z) - Fraud Detection using Data-Driven approach [0.0]
最初のオンラインバンキングは1980年に始まった。
インターネットバンキングの利用が絶え間なく増加し、多くのオンライン取引も不正行為を増やした。
本研究では,顧客行動に適応した効率的な不正検出モデルの構築を目的とする。
論文 参考訳(メタデータ) (2020-09-08T20:58:51Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳(メタデータ) (2020-06-10T08:20:13Z) - Applying support vector data description for fraud detection [0.0]
不正検出の主な課題の1つは、複雑で困難な作業である不正サンプルの取得である。
この課題に対処するために,SVDDのような不正サンプルを必要としない一級分類法を適用した。
また,DBSCANの拡張であるREDBSCANを提案する。
論文 参考訳(メタデータ) (2020-05-31T21:31:32Z)
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。