論文の概要: Detecting Fake Points of Interest from Location Data

• arxiv url: http://arxiv.org/abs/2111.06003v1
• Date: Thu, 11 Nov 2021 00:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-13 01:23:18.744979
• Title: Detecting Fake Points of Interest from Location Data
• Title（参考訳）: 位置情報から偽の関心点を検出する
• Authors: Syed Raza Bashir, Vojislav Misic
• Abstract要約: 提案した研究は、教師付き学習手法と、位置情報に基づくデータに隠されたパターンを見つける能力に焦点を当てている。 目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。 提案手法は従来の分類法, 頑健で最近のディープニューラル法と比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pervasiveness of GPS-enabled mobile devices and the widespread use of location-based services have resulted in the generation of massive amounts of geo-tagged data. In recent times, the data analysis now has access to more sources, including reviews, news, and images, which also raises questions about the reliability of Point-of-Interest (POI) data sources. While previous research attempted to detect fake POI data through various security mechanisms, the current work attempts to capture the fake POI data in a much simpler way. The proposed work is focused on supervised learning methods and their capability to find hidden patterns in location-based data. The ground truth labels are obtained through real-world data, and the fake data is generated using an API, so we get a dataset with both the real and fake labels on the location data. The objective is to predict the truth about a POI using the Multi-Layer Perceptron (MLP) method. In the proposed work, MLP based on data classification technique is used to classify location data accurately. The proposed method is compared with traditional classification and robust and recent deep neural methods. The results show that the proposed method is better than the baseline methods.
• Abstract（参考訳）: GPS対応モバイルデバイスの普及と位置情報サービスの普及により、大量のジオタグ付きデータが生成されるようになった。 近年、データ分析はレビュー、ニュース、画像など多くのソースにアクセスでき、POI(Point-of-Interest)データソースの信頼性に関する疑問も提起されている。 これまでの研究では、さまざまなセキュリティメカニズムを通じて偽のPOIデータを検出しようとしたが、現在の作業では、偽のPOIデータをはるかに単純な方法でキャプチャしようと試みていた。 提案する研究は,教師付き学習手法と,その位置に基づくデータに隠れたパターンを見つける能力に着目したものである。 地上の真理ラベルは実世界のデータから取得され、偽のデータはAPIを使って生成されるので、位置データ上に実際のラベルと偽のラベルの両方でデータセットを得る。 目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。 提案手法では,位置データを正確に分類するために,データ分類に基づくMLPを用いる。 提案手法は,従来の分類法,ロバスト法,および近年の深層神経法と比較した。 その結果,提案手法はベースライン法よりも優れていることがわかった。

関連論文リスト

• Employing Sentence Space Embedding for Classification of Data Stream from Fake News Domain [0.24999074238880487]
  本稿では,文空間法を用いた自然言語データストリーム分類手法を提案する。 画像分類専用の畳み込みディープネットワークを使用することで、テキストデータに基づいてフェイクニュースを認識できる。 実生活のFakedditデータセットに基づいて,提案手法をデータストリーム分類のための最先端アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2024-07-15T15:23:21Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• Self-Supervised Learning for User Localization [8.529237718266042]
  機械学習技術は、ローカライゼーションタスクにおいて顕著な精度を示している。 大量のラベル付きデータ、特にChannel State Information(CSI)およびそれに対応する座標への依存は、依然としてボトルネックである。 CSIに基づくユーザローカライゼーションのための教師付き学習性能を高めるために,ラベルなしデータによる自己教師付き事前学習を活用する先駆的手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T21:49:10Z)
• Localization Is All You Evaluate: Data Leakage in Online Mapping Datasets and How to Fix It [2.1665407462280446]
  State-of-the-artメソッドは主にnuScenesとArgoverse 2データセットを使用してトレーニングされている。 nuScenesの80ドル以上、Argoverse 2のバリデーションとテストサンプルの40ドル以上は、トレーニングサンプルから5ドル以下である。 本研究では,地理的に不連続なデータ分割を提案し,未知の環境における真の性能を明らかにする。
  論文  参考訳（メタデータ） (2023-12-11T14:43:23Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• DeepStay: Stay Region Extraction from Location Trajectories using Weak Supervision [4.243592852049962]
  モバイル端末は、ユーザの位置の絶え間ない追跡を可能にし、個人的関心点(POI)を推測するために、位置トラジェクトリを使用することができる。 POIを抽出する一般的な方法は、ユーザーがかなりの時間を費やしている領域を最初に識別することである。 SR抽出に対する一般的なアプローチは、教師なしまたは小規模のプライベートデータセットで評価される。 本稿では、位置軌跡を学習し、滞在領域を予測するDeepStayと呼ばれる弱い自己教師型トランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T11:16:47Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
  近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。 従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。 本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:46:30Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)

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。