論文の概要: Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews on Social Media

• arxiv url: http://arxiv.org/abs/2302.07731v1
• Date: Fri, 10 Feb 2023 19:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 14:23:55.051670
• Title: Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews on Social Media
• Title（参考訳）: AIとAIの衝突: ソーシャルメディアで機械生成の偽レストランレビュー
• Authors: Alessandro Gambetti, Qiwei Han
• Abstract要約: Yelpが検証した高品質なYelpレビューを活用して,OpenAI GPTレビュー作成者から偽レビューを生成することを提案する。 本モデルを用いて,非エリートレビューを予測し,レビューやユーザ,レストランの特徴,書き込みスタイルなど,さまざまな側面のパターンを識別する。 ソーシャルメディアプラットフォームは、疑わしいレビューをフィルタリングするために検出システムを実装するが、マシン生成の偽レビューによって継続的に挑戦されていることを示す。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative models such as GPT may be used to fabricate indistinguishable fake customer reviews at a much lower cost, thus posing challenges for social media platforms to detect these machine-generated fake reviews. We propose to leverage the high-quality elite restaurant reviews verified by Yelp to generate fake reviews from the OpenAI GPT review creator and ultimately fine-tune a GPT output detector to predict fake reviews that significantly outperforms existing solutions. We further apply the model to predict non-elite reviews and identify the patterns across several dimensions, such as review, user and restaurant characteristics, and writing style. We show that social media platforms are continuously challenged by machine-generated fake reviews, although they may implement detection systems to filter out suspicious reviews.
• Abstract（参考訳）: GPTのような生成モデルの最近の進歩は、識別不能な偽の顧客レビューをはるかに低コストで作成するために使われる可能性があるため、ソーシャルメディアプラットフォームがこれらのマシン生成の偽のレビューを検出する上での課題を提起する。 Yelpが検証した高品質なレストランレビューを活用して、OpenAI GPTレビュー作成者から偽レビューを生成し、最終的にGPT出力検出器を微調整して、既存のソリューションを著しく上回る偽レビューを予測することを提案する。 さらに,非礼儀正しくないレビューの予測や,レビューやユーザやレストランの特徴,書き方など,複数の次元にわたるパターンの識別にモデルを適用する。 疑わしいレビューをフィルタリングする検出システムを実装する可能性があるが、ソーシャルメディアプラットフォームはマシン生成の偽レビューに継続的に挑戦している。

関連論文リスト

• What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers [45.55363754551388]
  顧客のレビューとフィードバックは、Amazon、Zalando、eBayなどのEコマースプラットフォームにおいて重要な役割を果たす。 売り手が偽レビューやスパムレビューを投稿し、潜在的な顧客を欺き、製品に関する意見を操作しているという懸念が有力である。 本稿では,偽レビューを高精度に検出するための説明可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-24T13:26:02Z)
• AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant Reviews and Images on Social Media [57.70351255180495]
  AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。 FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。 この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
  論文  参考訳（メタデータ） (2024-01-16T20:57:36Z)
• Shilling Black-box Review-based Recommender Systems through Fake Review Generation [20.162253355141893]
  レビューベースのリコメンダシステム(RBRS)は、よく知られたコールドスタート問題を緩和する能力により、研究の関心が高まりつつある。 このようなレビューへの依存は、システムにシャットダウンされるリスクを露呈する可能性がある、と私たちは主張する。 RBRSに対する攻撃をシリングするための第1世代モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-27T12:32:36Z)
• To ChatGPT, or not to ChatGPT: That is the question! [78.407861566006]
  本研究は,ChatGPT検出における最新の手法を包括的かつ現代的に評価するものである。 我々は、ChatGPTと人間からのプロンプトからなるベンチマークデータセットをキュレートし、医療、オープンQ&A、ファイナンスドメインからの多様な質問を含む。 評価の結果,既存の手法ではChatGPT生成内容を効果的に検出できないことがわかった。
  論文  参考訳（メタデータ） (2023-04-04T03:04:28Z)
• Mitigating Human and Computer Opinion Fraud via Contrastive Learning [0.0]
  本稿では,協調フィルタリングレコメンデータシステムにおける偽テキストレビュー検出への新たなアプローチを提案する。 既存のアルゴリズムは、言語モデルによって生成された偽レビューを検出し、不正直なユーザーによって書かれたテキストを無視している。 本稿では,ユーザ人口特性とテキストレビューを,偽造に対する追加的証拠として活用する,対照的な学習ベースアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:02:28Z)
• Fake or Genuine? Contextualised Text Representation for Fake Review Detection [0.4724825031148411]
  本稿では, トランスフォーマーアーキテクチャを用いて, 偽レビューのシーケンス中に隠されたパターンを発見し, 正確に検出する新しいアンサンブルモデルを提案する。 半現実的なベンチマークデータセットを用いた実験結果から,提案モデルが最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-12-29T00:54:47Z)
• Identifying Hijacked Reviews [21.600163117735857]
  レビュー・ヒジャック(英: Review Hijacking)は、非倫理的な販売者が既存の製品ページを「ヒジャック」する新しいレビュー操作戦略である。 商品とレビューを交換することで、ハイジャックのレビューを行うための、合成ラベル付きデータを生成するフレームワークを提案する。 次に、ツインLSTMネットワークとBERTシークエンスペアの2つの可能性を評価し、このデータを用いてハイジャックされたものとの正当性レビューを区別する。
  論文  参考訳（メタデータ） (2021-07-07T20:43:36Z)
• Can We Automate Scientific Reviewing? [89.50052670307434]
  我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。 我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。 総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
  論文  参考訳（メタデータ） (2021-01-30T07:16:53Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

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。