Oct, 2022

通过生成对抗网络在在线社交媒体中检测虚假账户

PDF
TL;DR本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。
online social mediaprivacyfake user accountsgenerative adversarial networktwitter dataset
发现论文，激发创造
  • 具有 AI 生成面孔的虚假社交媒体账户的特征和普及率

    通过使用生成对抗网络 (GANs) 生成的具有人脸的推特用户作为样本，本研究系统分析了近期发展的生成人工智能 (AI) 在创建可信的假社交媒体账户方面的潜在问题。结果发现这些账户被用于传播欺诈、垃圾邮件以及增强协调的信息等虚假行为，并通过利用 GAN 生成的人脸中眼睛位置的特征以及人工注释的方法，对野外中的 GAN 生成的个人资料进行有效的识别。研究估计活跃推特用户中使用 GAN 生成的人脸的比例下限为 0.021% 至 0.044%，即每天约有 1 万个活跃账户。这些发现凸显了多模态生成 AI 所带来的新威胁。研究者公开了检测方法的源代码和收集到的数据以助于进一步调查，并提供实用启发法帮助社交媒体用户辨别此类账户。

    Jan, 2024

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • 半监督学习与 GAN 在不平衡数据集中的伪造检测

    本研究使用自动编码器和半监督学习与 GAN 算法的组合（SGAN），并将其作为分类器，仅使用 100 个标记样本即可将精度提高达 91％，以检测虚假账户，适用于社交媒体的大规模数据。

    Dec, 2022

  • 使用监督机器学习算法对 Instagram 假用户进行分类

    该论文提出了一种应用程序，旨在检测和中和在线社交网络中的虚假实体，并着重保护公司免受潜在欺诈行为的影响。该应用程序以用户为中心的设计确保了对调查机构，尤其是刑事部门的可访问性，便于在复杂的社交媒体环境中进行导航和与现有调查程序的集成。

    Nov, 2023

  • 使用生成对抗网络检测欺诈评论

    本文提出了一种名为 FakeGAN 的系统，它是在文本分类任务中首次采用生成对抗网络（GANs）进行增强，用于检测欺骗性评论。通过使用两个鉴别器模型和一个生成模型，FakeGAN 避免了模式崩溃的问题， 并在 TripAdvisor 酒店评论数据集上表现出与现有监督学习方法相当的性能。

    May, 2018

  • GAN 生成的面孔检测：综述和新视角

    通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

    Feb, 2022

  • 利用 Dropout-GAN 进行社交媒体机器人检测

    利用生成对抗网络（GAN）的方法来检测社交媒体平台上的机器人活动，克服模式崩溃问题，通过将多个鉴别器与一个生成器训练并解耦鉴别器以进行社交媒体机器人检测，利用生成器进行数据增强，我们的方法在分类准确性方面优于该领域的最先进技术。我们还展示了 GAN 中的生成器如何用于逃避这种分类技术。

    Nov, 2023

  • 野外假人脸图像检测学习

    本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

    Sep, 2018

  • 基于图的假新闻检测器的普适性黑盒对抗攻击

    我们提出了第一个通用黑盒对抗攻击框架，称为 GAFSI，用于针对基于不同图结构的检测器，通过模拟社交互动行为来欺骗检测器，实验证明了 GAFSI 的有效性。

    Apr, 2024

  • 通过对抗训练生成可信好友以提高社交推荐

    本文提出了一种基于生成式对抗网络（GAN）的端到端社交推荐框架，该框架可以适应地生成可靠的好友，从而改善了显式社交关系的稀疏性和不可靠性问题，提升了社交推荐的性能表现，实验研究表明该框架的优越性和生成可靠好友的积极影响。

    Sep, 2019