論文の概要: Socialz: Multi-Feature Social Fuzz Testing
- arxiv url: http://arxiv.org/abs/2302.08664v1
- Date: Fri, 17 Feb 2023 03:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 16:07:32.261215
- Title: Socialz: Multi-Feature Social Fuzz Testing
- Title(参考訳): Socialz: 多機能ソーシャルファズテスト
- Authors: Francisco Zanartu, Christoph Treude, Markus Wagner
- Abstract要約: Socialzはソーシャルファズテストの新しいアプローチである。
ソーシャルネットワークの実際のユーザを特徴づけ、進化的計算を用いてインタラクションを多様化する。
Socialzはこれらのインタラクションの実行時にパフォーマンスデータを収集する。
- 参考スコア(独自算出の注目度): 13.32168459324316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online social networks have become an integral aspect of our daily lives and
play a crucial role in shaping our relationships with others. However, bugs and
glitches, even minor ones, can cause anything from frustrating problems to
serious data leaks that can have far-reaching impacts on millions of users. To
mitigate these risks, fuzz testing, a method of testing with randomised inputs,
can provide increased confidence in the correct functioning of a social
network. However, implementing traditional fuzz testing methods can be
prohibitively difficult or impractical for programmers outside of the network's
development team. To tackle this challenge, we present Socialz, a novel
approach to social fuzz testing that (1) characterises real users of a social
network, (2) diversifies their interaction using evolutionary computation
across multiple, non-trivial features, and (3) collects performance data as
these interactions are executed. With Socialz, we aim to provide anyone with
the capability to perform comprehensive social testing, thereby improving the
reliability and security of online social networks used around the world.
- Abstract(参考訳): オンラインソーシャルネットワークは私たちの日常生活に不可欠な要素となり、他人との関係を形作る上で重要な役割を担っている。
しかし、バグや不具合は、たとえマイナーな問題であっても、フラストレーションのある問題から深刻なデータリークまで、何百万ものユーザーにとってはるかに大きな影響を及ぼす可能性がある。
これらのリスクを軽減するために、ランダムな入力でテストするファズテストは、ソーシャルネットワークの正しい機能に対する信頼性を高めることができる。
しかし、従来のファズテストメソッドの実装は、ネットワーク開発チーム以外のプログラマにとっては、非常に困難または非現実的です。
この課題に対処するため、Socialzは、(1)ソーシャルネットワークの実際のユーザを特徴づけ、(2)複数の非自明な特徴にまたがって進化計算を用いてインタラクションを多様化し、(3)これらのインタラクションの実行時にパフォーマンスデータを収集するソーシャルファズテストの新しいアプローチを提案する。
socialzでは、世界中のオンラインsnsの信頼性とセキュリティを向上し、包括的なソーシャルテストを行う能力を誰にでも提供したいと思っています。
関連論文リスト
- Social-LLM: Modeling User Behavior at Scale using Language Models and
Social Network Data [13.660150473547766]
本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。
提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。
実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
論文 参考訳(メタデータ) (2023-12-31T05:13:13Z) - Classification of Instagram fake users using supervised machine learning
algorithms [0.0]
本稿では,そのような不正直な実体を検知・中和するアプリケーションを提案する。
アプリケーションのユーザ中心の設計により、調査機関のアクセシビリティが保証される。
論文 参考訳(メタデータ) (2023-11-21T03:59:14Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳(メタデータ) (2023-10-20T06:17:02Z) - Self-supervised Hypergraph Representation Learning for Sociological
Analysis [52.514283292498405]
本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。
まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。
第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-12-22T01:20:29Z) - 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) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳(メタデータ) (2022-09-04T06:22:37Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳(メタデータ) (2022-07-20T13:37:57Z) - Adversarial Socialbot Learning via Multi-Agent Deep Hierarchical
Reinforcement Learning [31.33996447671789]
本稿では、強化学習(RL)などの計算学習機構を利用して、検出を回避しつつ、ソーシャルボットの影響を最大化することができることを示す。
提案するポリシネットワークは,膨大な合成グラフを用いてトレーニングし,目に見えない実生活グラフのベースラインよりも優れた一般化を行う。
これにより,本手法は実環境に展開する際の現実的な敵攻撃となる。
論文 参考訳(メタデータ) (2021-10-20T16:49:26Z) - How Social Are Social Media The Dark Patterns In Facebook's Interface [9.824986063639155]
我々は、HCIのツールを使用して、インターフェイス機能とこれらのドメインによって引き起こされる懸念との間の接続を見つける。
Dark Patternsに向けて、私たちは経験的な設計分析を使用して、ユーザのオンラインプライバシに影響を与えるインターフェースの干渉を特定します。
論文 参考訳(メタデータ) (2021-03-19T10:40:29Z) - PHASE: PHysically-grounded Abstract Social Events for Machine Social
Perception [50.551003004553806]
私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。
フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。
ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
論文 参考訳(メタデータ) (2021-03-02T18:44:57Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳(メタデータ) (2020-02-05T11:10:44Z)
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。