論文の概要: Signed Latent Factors for Spamming Activity Detection

• arxiv url: http://arxiv.org/abs/2209.13814v1
• Date: Wed, 28 Sep 2022 03:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 19:50:55.631168
• Title: Signed Latent Factors for Spamming Activity Detection
• Title（参考訳）: スキャミングアクティビティ検出のための符号付き潜時因子
• Authors: Yuli Liu
• Abstract要約: 署名された潜伏要因を利用して不正行為をフィルタリングする新しい試みを提案する。 複数のオンラインアプリケーションのスパム汚染されたリレーショナルデータセットは、統一された署名ネットワークによって解釈される。 様々な種類のWebアプリケーションの実世界のデータセットに対する実験は、LFMモデルがスパム行為の検出において最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.8275108630751844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the increasing trend of performing spamming activities (e.g., Web spam, deceptive reviews, fake followers, etc.) on various online platforms to gain undeserved benefits, spam detection has emerged as a hot research issue. Previous attempts to combat spam mainly employ features related to metadata, user behaviors, or relational ties. These works have made considerable progress in understanding and filtering spamming campaigns. However, this problem remains far from fully solved. Almost all the proposed features focus on a limited number of observed attributes or explainable phenomena, making it difficult for existing methods to achieve further improvement. To broaden the vision about solving the spam problem and address long-standing challenges (class imbalance and graph incompleteness) in the spam detection area, we propose a new attempt of utilizing signed latent factors to filter fraudulent activities. The spam-contaminated relational datasets of multiple online applications in this scenario are interpreted by the unified signed network. Two competitive and highly dissimilar algorithms of latent factors mining (LFM) models are designed based on multi-relational likelihoods estimation (LFM-MRLE) and signed pairwise ranking (LFM-SPR), respectively. We then explore how to apply the mined latent factors to spam detection tasks. Experiments on real-world datasets of different kinds of Web applications (social media and Web forum) indicate that LFM models outperform state-of-the-art baselines in detecting spamming activities. By specifically manipulating experimental data, the effectiveness of our methods in dealing with incomplete and imbalanced challenges is valida
• Abstract（参考訳）: 様々なオンラインプラットフォーム上でスパム行為(Webスパム、偽レビュー、偽フォロワーなど)を行う傾向が高まり、保存されていない利益を得るためにスパム検出がホットな研究課題として浮上している。 スパムに対処する以前の試みは、主にメタデータ、ユーザの振る舞い、リレーショナルな結びつきに関連する機能を利用している。 これらの研究はスパムキャンペーンの理解とフィルタリングに大きな進歩をもたらした。 しかし、この問題は完全な解決には程遠い。 提案された機能のほとんどは、限られた数の観察可能な属性や説明可能な現象に焦点を当てており、既存の方法がさらなる改善を達成するのが困難である。 スパム検出領域におけるスパム問題の解決と長期的課題(クラス不均衡とグラフ不完全性)に対処するための新たな試みとして,署名された潜伏要因を利用して不正行為をフィルタリングする手法を提案する。 このシナリオにおける複数のオンラインアプリケーションのスパム汚染リレーショナルデータセットは、統合署名ネットワークによって解釈される。 遅延因子マイニング(LFM-MRLE)モデルと符号付きペアワイドランキング(LFM-SPR)の2つの競合アルゴリズムと高相似アルゴリズムをそれぞれ設計する。 次に,スパム検出タスクに潜伏要因を適用する方法について検討する。 様々な種類のWebアプリケーション(ソーシャルメディアとWebフォーラム)の現実のデータセットに対する実験は、LFMモデルがスパム行為の検出において最先端のベースラインを上回っていることを示している。 実験データを具体的に操作することで,不完全かつ不均衡な課題に対処する手法の有効性が検証できる。

関連論文リスト

• Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
  Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。 このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
  論文  参考訳（メタデータ） (2024-10-02T18:17:54Z)
• LLMCount: Enhancing Stationary mmWave Detection with Multimodal-LLM [1.8326853076179552]
  LLMCountは,大規模言語モデル(LLM)の機能を活用して,群衆検出性能を向上させる最初のシステムである。 システムの性能を評価するため,ホール,会議室,映画館などの多彩なシナリオ下で総合的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-24T16:09:29Z)
• Online detection and infographic explanation of spam reviews with data drift adaptation [4.278181795494584]
  本稿では,データドリフト適応を取り入れた,スパムレビューの特定と説明のためのオンラインソリューションを提案する。 i)インクリメンタルプロファイリング、(ii)データドリフトの検出と適応、および(iii)機械学習を用いたスパムレビューの識別を統合する。 その結果,87%のスパムF測定値が得られた。
  論文  参考訳（メタデータ） (2024-06-21T10:35:46Z)
• Transferable and Efficient Non-Factual Content Detection via Probe Training with Offline Consistency Checking [48.68044413117397]
  PINOSEは、オフラインの自己整合性検査結果に基づいて探索モデルをトレーニングし、人間の注釈付きデータの必要性を回避する。 応答復号に先立って内部状態の様々な側面を調べ、事実的不正確な検出に寄与する。
  論文  参考訳（メタデータ） (2024-04-10T05:00:35Z)
• Evaluating the Performance of ChatGPT for Spam Email Detection [9.585304538597414]
  本研究は,ChatGPTの英語および中国語のメールデータセットにおけるスパム識別能力を評価することを目的とする。 In-context Learning を用いたスパムメール検出にはChatGPT を用いる。 また,実演回数がChatGPTの性能に与える影響についても検討した。
  論文  参考訳（メタデータ） (2024-02-23T04:52:08Z)
• Amortizing intractable inference in large language models [56.92471123778389]
  難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。 我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。 重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
  論文  参考訳（メタデータ） (2023-10-06T16:36:08Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Modeling User Behavior With Interaction Networks for Spam Detection [4.795582035438343]
  Spamは、Webスケールのデジタルプラットホームを悩ませる深刻な問題だ。 本稿では,新しいグラフフレームワーク上でのスパム検出モデルSEINEを提案する。 我々のモデルは、エッジタイプや属性とともに近隣を考慮し、幅広いスパマーを捕捉することができる。
  論文  参考訳（メタデータ） (2022-07-21T21:34:56Z)
• Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
  本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
  論文  参考訳（メタデータ） (2021-10-10T17:19:37Z)
• Leveraging Multi-level Dependency of Relational Sequences for Social Spammer Detection [14.203689072168672]
  MDM(Multi-level Dependency Model)は、リレーショナルシーケンスに隠されたユーザの長期依存を活用できる。 実世界のマルチリレーショナルソーシャルネットワークにおける実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-09-14T07:11:17Z)
• Robust Spammer Detection by Nash Reinforcement Learning [64.80986064630025]
  我々は,スパマーとスパム検知器が互いに現実的な目標を競うミニマックスゲームを開発する。 提案アルゴリズムは,スパマーが混在するスパマーが実用目標を達成するのを確実に防止できる平衡検出器を確実に見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-10T21:18:07Z)

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。