論文の概要: Preemptive Detection of Fake Accounts on Social Networks via Multi-Class
Preferential Attachment Classifiers
- arxiv url: http://arxiv.org/abs/2308.05353v1
- Date: Thu, 10 Aug 2023 05:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 13:37:49.801920
- Title: Preemptive Detection of Fake Accounts on Social Networks via Multi-Class
Preferential Attachment Classifiers
- Title(参考訳): マルチクラス優先アタッチメント分類器によるソーシャルネットワーク上のフェイクアカウントのプリエンプティブ検出
- Authors: Adam Breuer, Nazanin Khosravani, Michael Tingley, Bradford Cottel
- Abstract要約: ソーシャルネットワーク上で偽アカウントを検出するアルゴリズムPreAttacKについて述べる。
PreAttacK は,複数階層のPreferential Attachment モデルの下で,新しいアカウントが偽である確率を近似することを示した。
これらは、新しいユーザーに適用される偽アカウント検出の最初の証明可能な保証だ。
- 参考スコア(独自算出の注目度): 2.580765958706854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we describe a new algorithm called Preferential Attachment
k-class Classifier (PreAttacK) for detecting fake accounts in a social network.
Recently, several algorithms have obtained high accuracy on this problem.
However, they have done so by relying on information about fake accounts'
friendships or the content they share with others--the very things we seek to
prevent.
PreAttacK represents a significant departure from these approaches. We
provide some of the first detailed distributional analyses of how new fake (and
real) accounts first attempt to request friends after joining a major network
(Facebook). We show that even before a new account has made friends or shared
content, these initial friend request behaviors evoke a natural multi-class
extension of the canonical Preferential Attachment model of social network
growth.
We use this model to derive a new algorithm, PreAttacK. We prove that in
relevant problem instances, PreAttacK near-optimally approximates the posterior
probability that a new account is fake under this multi-class Preferential
Attachment model of new accounts' (not-yet-answered) friend requests. These are
the first provable guarantees for fake account detection that apply to new
users, and that do not require strong homophily assumptions.
This principled approach also makes PreAttacK the only algorithm with
provable guarantees that obtains state-of-the-art performance on new users on
the global Facebook network, where it converges to AUC=0.9 after new users send
+ receive a total of just 20 not-yet-answered friend requests. For comparison,
state-of-the-art benchmarks do not obtain this AUC even after observing
additional data on new users' first 100 friend requests. Thus, unlike
mainstream algorithms, PreAttacK converges before the median new fake account
has made a single friendship (accepted friend request) with a human.
- Abstract(参考訳): 本稿では、ソーシャルネットワーク上で偽アカウントを検出するためのPreAttacK(Preferential Attachment k-class Classifier)と呼ばれる新しいアルゴリズムについて述べる。
近年,この問題に対するアルゴリズムの精度が向上している。
しかし彼らは、偽のアカウントの友情や彼らが他人と共有しているコンテンツに関する情報に頼ることで、それを成し遂げた。
PreAttacKはこれらのアプローチから大きく離れている。
我々は、新しいフェイクアカウント(およびリアルアカウント)が、主要なネットワーク(facebook)に加入した後初めて友人にリクエストしようとする方法に関する、最初の詳細な配布分析を提供する。
新しいアカウントが友達や共有コンテンツを作る前であっても、これらの初期友人の要求行動は、ソーシャルネットワークの成長の標準優先アタッチメントモデルの自然なマルチクラス拡張を引き起こします。
我々はこのモデルを使って新しいアルゴリズムPreAttacKを導出する。
関連する問題例において、プリアタックは、新しいアカウントの友人リクエストの多クラス優先アタッチメントモデルの下で、新しいアカウントがフェイクである確率をほぼ最適に近似することを証明する。
これらは、新しいユーザーに適用される偽アカウント検出の最初の証明可能な保証であり、強いホモフィリー仮定を必要としない。
この原理的なアプローチにより、PreAttacKは、グローバルなFacebookネットワーク上の新しいユーザーに対して最先端のパフォーマンスを保証できる唯一のアルゴリズムとなり、新しいユーザーが送信した後にAUC=0.9に収束する。
比較として、最先端のベンチマークでは、新規ユーザの最初の100人の友人リクエストに関する追加データを観察しても、このAUCは得られない。
したがって、メインストリームのアルゴリズムとは異なり、PreAttacKは中央値の偽アカウントが人間と1つの友情(認められた友人の要求)を結び付ける前に収束する。
関連論文リスト
- Characteristics and prevalence of fake social media profiles with
AI-generated faces [8.367075755850983]
生成的人工知能の最近の進歩は、偽のソーシャルメディアアカウントを偽造する可能性を懸念している。
本稿では,GAN(Generative Adrial Networks)が生成した人物のプロフィール画像を用いたTwitter(X)アカウントの体系的解析を行う。
我々は、詐欺、スパム、調整されたメッセージの増幅など、不正行為の拡散に使われていることを示す。
論文 参考訳(メタデータ) (2024-01-05T04:10:46Z) - Birds of a Feather Trust Together: Knowing When to Trust a Classifier
via Adaptive Neighborhood Aggregation [30.34223543030105]
我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。
また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
論文 参考訳(メタデータ) (2022-11-29T18:43:15Z) - Compromised account detection using authorship verification: a novel
approach [1.0312968200748118]
正当なアカウントの妥協は、オンラインソーシャルネットワーク(OSNs)において悪意のあるコンテンツを大きなユーザーベースに広める方法である
本稿では,著者確認に基づく新しいアプローチを提案し,漏洩したTwitterアカウントを識別する。
論文 参考訳(メタデータ) (2022-06-02T14:54:27Z) - An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。
本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。
我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文 参考訳(メタデータ) (2021-11-19T12:58:59Z) - CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。
CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。
我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文 参考訳(メタデータ) (2021-05-10T07:31:59Z) - On the Reproducibility of Neural Network Predictions [52.47827424679645]
そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。
最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。
我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。
両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
論文 参考訳(メタデータ) (2021-02-05T18:51:01Z) - Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。
本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。
提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
論文 参考訳(メタデータ) (2020-07-11T21:20:55Z) - A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。
ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。
我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
論文 参考訳(メタデータ) (2020-06-25T06:28:09Z) - Pre-training Is (Almost) All You Need: An Application to Commonsense
Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。
そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。
提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文 参考訳(メタデータ) (2020-04-29T10:54:40Z) - Friend or Faux: Graph-Based Early Detection of Fake Accounts on Social
Networks [4.923937591056569]
我々は,新しいユーザが偽アカウントであるかどうかを,(I)友達リクエストターゲットの選択と(II)これらのターゲットの応答を集約することで決定するSybilEdgeアルゴリズムを提案する。
我々は、SybilEdgeがFacebookネットワーク上で新しいフェイクユーザーを素早く検出し、最先端のアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2020-04-09T22:03:28Z)
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。