論文の概要: Dumviri: Detecting Trackers and Mixed Trackers with a Breakage Detector
- arxiv url: http://arxiv.org/abs/2402.08031v2
- Date: Thu, 12 Sep 2024 12:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 22:12:50.431942
- Title: Dumviri: Detecting Trackers and Mixed Trackers with a Breakage Detector
- Title（参考訳）: Dumviri: 故障検知器によるトラッカーと混合トラッカーの検出
- Authors: He Shuang, Lianying Zhao, David Lie,
- Abstract要約: State-of-the-artツールは通常、障害を検出するために、ユーザレポートと開発者の努力に依存します。
本稿では,機械学習に基づく破壊検知器をトラッカー検出パイプラインに組み込むことにより,機能資源の誤識別を自動的に回避することを提案する。
Duumviriは、これまで報告されていない22のユニークなトラッカーと26のユニークな混合トラッカーを検出し、確認することを可能にする。
- 参考スコア（独自算出の注目度）: 5.279873919047532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Web tracking harms user privacy. As a result, the use of tracker detection and blocking tools is a common practice among Internet users. However, no such tool can be perfect, and thus there is a trade-off between avoiding breakage (caused by unintentionally blocking some required functionality) and neglecting to block some trackers. State-of-the-art tools usually rely on user reports and developer effort to detect breakages, which can be broadly categorized into two causes: 1) misidentifying non-trackers as trackers, and 2) blocking mixed trackers which blend tracking with functional components. We propose incorporating a machine learning-based breakage detector into the tracker detection pipeline to automatically avoid misidentification of functional resources. For both tracker detection and breakage detection, we propose using differential features that can more clearly elucidate the differences caused by blocking a request. We designed and implemented a prototype of our proposed approach, Duumviri, for non-mixed trackers. We then adopt it to automatically identify mixed trackers, drawing differential features at partial-request granularity. In the case of non-mixed trackers, evaluating Duumviri on 15K pages shows its ability to replicate the labels of human-generated filter lists, EasyPrivacy, with an accuracy of 97.44%. Through a manual analysis, we find that Duumviri can identify previously unreported trackers and its breakage detector can identify overly strict EasyPrivacy rules that cause breakage. In the case of mixed trackers, Duumviri is the first automated mixed tracker detector, and achieves a lower bound accuracy of 74.19%. Duumviri has enabled us to detect and confirm 22 previously unreported unique trackers and 26 unique mixed trackers.
- Abstract（参考訳）: ウェブトラッキングはユーザーのプライバシーを害する。
その結果、トラッカー検出とブロッキングツールの使用は、インターネットユーザの間で一般的である。
しかしながら、そのようなツールは完璧ではないため、(意図せずに必要な機能をブロックしているため)破損を避けることと、トラッカーをブロックしないというトレードオフがある。
State-of-the-artツールは通常、ユーザレポートと開発者による破壊の検出に頼っている。
1)トラッカー以外のトラッカーをトラッカーとして誤識別し、
2) 機能コンポーネントとトラッカーをブレンドする混合トラッカーをブロックする。
本稿では,機械学習に基づく破壊検知器をトラッカー検出パイプラインに組み込むことにより,機能資源の誤識別を自動的に回避することを提案する。
トラッカー検出と破壊検出の両面において,要求をブロックすることによる差異をより明確に解明できる差分特徴を用いることを提案する。
非混合トラッカーのための提案手法であるDuumviriのプロトタイプを設計,実装した。
次に、混合トラッカーを自動的に識別し、部分要求粒度で差分特徴を描画する。
非混合トラッカーの場合、15KページでのDuumviriの評価は、人間の生成したフィルタリストであるEasyPrivacyのラベルを97.44%の精度で複製する能力を示している。
手動で分析した結果、Duumviriは未報告のトラッカーを識別でき、破壊検知器は破壊を引き起こす厳密なEasyPrivacyルールを識別できることがわかった。
混合トラッカーの場合、ドゥウムヴィリは最初の自動混合トラッカー検出器であり、74.19%の低い境界精度を達成する。
Duumviriは、これまで報告されていない22のユニークなトラッカーと26のユニークな混合トラッカーを検出し、確認することを可能にする。
関連論文リスト
- UTrack: Multi-Object Tracking with Uncertain Detections [37.826006378381955]
我々は,物体検出中に経験的予測分布を得るための高速な手法を初めて紹介する。
我々の機構は最先端のトラッカーに容易に統合でき、検出の不確実性を完全に活用できる。
我々は,MOT17,MOT20,DanceTrack,KITTIなど,さまざまなベンチマークに対するコントリビューションの有効性を実証する。
論文 参考訳（メタデータ） (2024-08-30T08:34:51Z) - Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-07-19T07:48:45Z) - UncertaintyTrack: Exploiting Detection and Localization Uncertainty in Multi-Object Tracking [8.645078288584305]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。
複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。
バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文 参考訳（メタデータ） (2024-02-19T17:27:04Z) - Detection-aware multi-object tracking evaluation [1.7880586070278561]
本研究では,異なる検出器を用いたトラッカー評価を行うため,TEM(Tracking Effort Measure)と呼ばれる新しい性能指標を提案する。
TEMは、入力検出に対する相関を小さくして、トラッカーによってなされた労力を定量化することができる。
論文 参考訳（メタデータ） (2022-12-16T15:35:34Z) - Hard to Track Objects with Irregular Motions and Similar Appearances?
Make It Easier by Buffering the Matching Space [4.648877159175779]
本稿では,不規則な動きと識別不能な外観を持つ物体を追跡できるカスケードバッファリングIoU(C-BIoU)トラッカーを提案する。
その単純さにもかかわらず、我々のC-BIoUトラッカーは驚くほどうまく機能し、MOTデータセットの最先端の結果を得る。
論文 参考訳（メタデータ） (2022-11-24T10:33:21Z) - Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。
次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。
我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文 参考訳（メタデータ） (2021-11-19T08:02:38Z) - Tracklet-Switch Adversarial Attack against Pedestrian Multi-Object
Tracking Trackers [14.135239008740173]
マルチオブジェクト追跡(MOT)の完全追跡パイプラインに対して,トラックレットスイッチ(TraSw)と呼ばれる新たな逆攻撃手法を提案する。
実験の結果、TraSwは平均して4フレームしか攻撃せず、95%以上の成功率を極端に達成できることがわかった。
論文 参考訳（メタデータ） (2021-11-17T07:53:45Z) - Learning to Track Objects from Unlabeled Videos [63.149201681380305]
本稿では,Unsupervised Single Object Tracker (USOT) をスクラッチから学習することを提案する。
教師なしトラッカーと教師なしトラッカーのギャップを狭めるために,3段階からなる効果的な教師なし学習手法を提案する。
実験の結果、未ラベルのビデオから得られたUSOTは、最先端の教師なしトラッカーよりも大きなマージンでうまく機能していることがわかった。
論文 参考訳（メタデータ） (2021-08-28T22:10:06Z) - Probabilistic Tracklet Scoring and Inpainting for Multiple Object
Tracking [83.75789829291475]
本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。
これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。
我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
論文 参考訳（メタデータ） (2020-12-03T23:59:27Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳（メタデータ） (2020-04-16T06:43:11Z) - Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。
我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。
両方のトラッカーは40FPSでリアルタイムに動作します。
論文 参考訳（メタデータ） (2020-04-02T05:55:06Z)
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。