論文の概要: Automated Detection of Doxing on Twitter
- arxiv url: http://arxiv.org/abs/2202.00879v1
- Date: Wed, 2 Feb 2022 05:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 21:49:51.881057
- Title: Automated Detection of Doxing on Twitter
- Title(参考訳): twitter上での doxing の自動検出
- Authors: Younes Karimi, Anna Squicciarini, Shomir Wilson
- Abstract要約: ドキシング(ドキシング)とは、本人の同意なしに個人情報を機密に開示する行為である。
そこで本稿では,Twitter上での機密情報による第三者の開示を自動的に検出する手法を提案し,評価する。
- 参考スコア(独自算出の注目度): 3.463438487417909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Doxing refers to the practice of disclosing sensitive personal information
about a person without their consent. This form of cyberbullying is an
unpleasant and sometimes dangerous phenomenon for online social networks.
Although prior work exists on automated identification of other types of
cyberbullying, a need exists for methods capable of detecting doxing on Twitter
specifically. We propose and evaluate a set of approaches for automatically
detecting second- and third-party disclosures on Twitter of sensitive private
information, a subset of which constitutes doxing. We summarize our findings of
common intentions behind doxing episodes and compare nine different approaches
for automated detection based on string-matching and one-hot encoded
heuristics, as well as word and contextualized string embedding representations
of tweets. We identify an approach providing 96.86% accuracy and 97.37% recall
using contextualized string embeddings and conclude by discussing the
practicality of our proposed methods.
- Abstract(参考訳): ドクシング(doxing)とは、個人の同意なしに機密性の高い個人情報を開示する行為である。
このサイバーいじめは、オンラインソーシャルネットワークにとって不快で時には危険な現象である。
他のタイプのサイバーいじめの自動識別に関する先行研究は存在するが、特にtwitter上でドックスを検出できる方法が必要である。
我々は,機密性の高い個人情報のtwitterにおける第2および第3の開示を自動的に検出する手法を提案し,評価する。
ドキシングエピソードの背後にある共通の意図の知見を要約し、文字列マッチングと1ホットエンコードヒューリスティックに基づく自動検出のための9つの異なるアプローチと、ツイートの単語および文脈化された文字列埋め込み表現の比較を行った。
96.86%の精度と97.37%のリコールをコンテキスト化された文字列埋め込みを用いて実現するアプローチを特定し,提案手法の実用性について論じる。
関連論文リスト
- Verifying the Robustness of Automatic Credibility Assessment [79.08422736721764]
テキスト分類法は信頼性の低い内容を検出する手段として広く研究されている。
入力テキストの無意味な変更は、モデルを誤解させることがある。
偽情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAを紹介する。
論文 参考訳(メタデータ) (2023-03-14T16:11:47Z) - 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) - Fact-Saboteurs: A Taxonomy of Evidence Manipulation Attacks against
Fact-Verification Systems [80.3811072650087]
証拠のクレームサレントスニペットを微調整し,多様かつクレームアラインな証拠を生成することが可能であることを示す。
この攻撃は、主張のポストホックな修正に対しても堅牢である。
これらの攻撃は、インスペクタブルとヒューマン・イン・ザ・ループの使用シナリオに有害な影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2022-09-07T13:39:24Z) - An Adversarial Attack Analysis on Malicious Advertisement URL Detection
Framework [22.259444589459513]
悪意のある広告URLは、サイバー攻撃の源泉であるため、セキュリティ上のリスクをもたらす。
既存の悪意のあるURL検出技術は制限されており、見えない機能やテストデータの一般化を扱うことができる。
本研究では,新しい語彙・ウェブスクラップ機能群を抽出し,機械学習技術を用いて不正広告URL検出システムを構築する。
論文 参考訳(メタデータ) (2022-04-27T20:06:22Z) - Zero-Query Transfer Attacks on Context-Aware Object Detectors [95.18656036716972]
敵は、ディープニューラルネットワークが誤った分類結果を生成するような摂動画像を攻撃する。
自然の多目的シーンに対する敵対的攻撃を防御するための有望なアプローチは、文脈整合性チェックを課すことである。
本稿では,コンテキスト整合性チェックを回避可能な,コンテキスト整合性攻撃を生成するための最初のアプローチを提案する。
論文 参考訳(メタデータ) (2022-03-29T04:33:06Z) - Email Summarization to Assist Users in Phishing Identification [1.433758865948252]
サイバーフィッシング攻撃は、特定の情報や手がかりが存在する場合にのみ、トレーニングデータによってより正確で、標的になり、調整される。
この研究は、トランスフォーマーベースの機械学習を活用して、将来的な心理的トリガーを分析する。
次に、この情報をアマルゲイトし、ユーザーに提示し、電子メールが「フィシー」なのか(ii)自己学習した先進的な悪意あるパターンなのかを簡単に判断できるようにします。
論文 参考訳(メタデータ) (2022-03-24T23:03:46Z) - Watch Those Words: Video Falsification Detection Using Word-Conditioned
Facial Motion [82.06128362686445]
本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。
帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。
既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
論文 参考訳(メタデータ) (2021-12-21T01:57:04Z) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳(メタデータ) (2021-12-08T14:12:24Z) - Cybersecurity Misinformation Detection on Social Media: Case Studies on
Phishing Reports and Zoom's Threats [1.2387676601792899]
ソーシャルメディア上でのサイバーセキュリティとプライバシの脅威に関する誤報を検出するための新しいアプローチを提案する。
我々はTwitter上で不正確なフィッシングのクレームを検出するためのフレームワークを開発した。
また、Zoomのセキュリティやプライバシの脅威に関連する誤情報を検出するための別のフレームワークも提案した。
論文 参考訳(メタデータ) (2021-10-23T20:45:24Z) - Backdoor Attack against Speaker Verification [86.43395230456339]
学習データを汚染することにより,話者検証モデルに隠れたバックドアを注入できることを示す。
また,既存のバックドア攻撃が話者認証攻撃に直接適用できないことも実証した。
論文 参考訳(メタデータ) (2020-10-22T11:10:08Z) - A Few Topical Tweets are Enough for Effective User-Level Stance
Detection [8.118808561953514]
我々は2つのアプローチを用いて声帯Twitterユーザーのスタンス検出に取り組む。
第1のアプローチでは、コンテキスト化埋め込みを用いてツイートを表現することで、ユーザレベルのスタンス検出を改善する。
第2のアプローチでは、あるユーザのつぶやきをTwitterのタイムラインのつぶやきを使って拡張し、ユーザを教師なしで分類する。
論文 参考訳(メタデータ) (2020-04-07T15:35:55Z)
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。