論文の概要: Domain-Independent Deception: Definition, Taxonomy and the Linguistic Cues Debate

• arxiv url: http://arxiv.org/abs/2207.01738v1
• Date: Mon, 4 Jul 2022 22:27:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 09:42:57.682323
• Title: Domain-Independent Deception: Definition, Taxonomy and the Linguistic Cues Debate
• Title（参考訳）: ドメイン非依存の認識:定義・分類・言語学の議論
• Authors: Rakesh M. Verma, Nachum Dershowitz, Victor Zeng, Xuting Liu
• Abstract要約: そこで我々は, 虚偽の計算定義を新たに提供し, 確率論を用いて定式化する。 我々は、偽証を新しい分類に分解し、偽証のための言語的手がかりに関する議論を分析する。 ドメインに依存しない偽造検出の証拠といくつかの提案を提示する。
• 参考スコア（独自算出の注目度）: 8.774604259603302
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Internet-based economies and societies are drowning in deceptive attacks. These attacks take many forms, such as fake news, phishing, and job scams, which we call "domains of deception." Machine-learning and natural-language-processing researchers have been attempting to ameliorate this precarious situation by designing domain-specific detectors. Only a few recent works have considered domain-independent deception. We collect these disparate threads of research and investigate domain-independent deception along four dimensions. First, we provide a new computational definition of deception and formalize it using probability theory. Second, we break down deception into a new taxonomy. Third, we analyze the debate on linguistic cues for deception and supply guidelines for systematic reviews. Fourth, we provide some evidence and some suggestions for domain-independent deception detection.
• Abstract（参考訳）: インターネットベースの経済と社会は詐欺攻撃で溺死している。 これらの攻撃には、フェイクニュース、フィッシング、ジョブ詐欺など多くの形態があり、「詐欺のドメイン」と呼ばれている。 機械学習と自然言語処理の研究者は、ドメイン固有の検出器を設計することで、この厄介な状況を改善することを試みている。 ドメインに依存しないデセプションを考える最近の研究はごくわずかである。 これらの異なる研究のスレッドを収集し、4次元に沿ったドメイン非依存の詐欺を調査する。 まず, 偽りの新しい計算的定義を提供し, 確率論を用いて形式化する。 第二に、偽りを新しい分類に分解する。 第3に,体系的レビューのための偽りと供給ガイドラインに関する言語的手がかりに関する議論を分析する。 第4に、ドメイン非依存なデセプション検出のための証拠と提案をいくつか提示する。

関連論文リスト

• Domain-Independent Deception: A New Taxonomy and Linguistic Analysis [4.675124490697304]
  我々は, 偽証の新たな計算的定義と, 偽証を新しい分類学に分解する。 共通の言語的特徴を考察し,様々な形態の騙しに対する知識伝達の証拠を与える。
  論文  参考訳（メタデータ） (2024-02-01T21:13:04Z)
• Honesty Is the Best Policy: Defining and Mitigating AI Deception [26.267047631872366]
  我々は、エージェントが目標を達成するために騙される可能性のある問題に焦点を当てる。 本稿では,構造因果ゲームにおける偽造の形式的定義を紹介する。 実験により、これらの結果は、強化学習エージェントや言語モデルにおける騙しの軽減に有効であることが示された。
  論文  参考訳（メタデータ） (2023-12-03T11:11:57Z)
• UNIDECOR: A Unified Deception Corpus for Cross-Corpus Deception Detection [17.016156702855604]
  我々は,その違いを理解するために,データセット間での誤読の言語的手がかりの相関分析を行う。 クロス・コーパス・モデリング実験を行い、クロス・ドメインの一般化が困難であることを示す。 統一偽装コーパス(UNIDECOR)はhttps://www.ims.uni-stuttgart.de/data/unidecorから得ることができる。
  論文  参考訳（メタデータ） (2023-06-05T12:23:04Z)
• Deception Detection with Feature-Augmentation by soft Domain Transfer [4.71603441680044]
  本稿では,ニューラルモデルの中間層表現を利用した機能拡張手法を提案する。 ツイートはFake NewsやPhishing Emailの最も有用な情報提供者であり、NewsはTweet Rumorの発見に最も役立っている。
  論文  参考訳（メタデータ） (2023-05-01T18:00:54Z)
• 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)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• FDMT: A Benchmark Dataset for Fine-grained Domain Adaptation in Machine Translation [53.87731008029645]
  機械翻訳(FDMT)における実世界のきめ細かいドメイン適応タスクを提案する。 FDMTデータセットは、自動運転車、AI教育、リアルタイムネットワーク、スマートフォンの4つのサブドメインで構成されている。 この新しい設定で定量的な実験と深い分析を行い、きめ細かいドメイン適応タスクをベンチマークします。
  論文  参考訳（メタデータ） (2020-12-31T17:15:09Z)
• Domain Agnostic Learning for Unbiased Authentication [47.85174796247398]
  ドメインラベルなしでドメインの差分を除去するドメインに依存しない手法を提案する。 潜伏領域は入力と出力の間の不均一な予測関係を学習することによって発見される。 提案手法をメタラーニングフレームワークに拡張し,ドメイン差分除去をより徹底的に進める。
  論文  参考訳（メタデータ） (2020-10-11T14:05:16Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。