Mar, 2023

基于提示的学习在网络安全论坛中的主题结构预测

PDF
TL;DR通过 Next Paragraph Prediction with Instructional Prompting 方法，结合黑客论坛的数据，对社交网络相互作用进行预测，以更好地预测未来网络威胁。
cyber crimesdata-rich hacker forumscyber threatsnext paragraph prediction with instructional promptingsocial network prediction
发现论文，激发创造
  • 从地下黑客论坛推断关于漏洞利用的讨论主题

    通过主题建模分析并发现地下黑客论坛中讨论的漏洞的关键主题，从而开发出一种基于机器学习的模型，能够自动检测和分类地下黑客论坛中与漏洞相关的讨论。

    May, 2024

  • 地下信息的奶油撇取：从在线论坛识别相关信息点

    提出了一种基于机器学习的方法来监测地下黑客论坛中野外漏洞利用的方式，利用监控其中的帖子并根据内容触发警报；通过使用 CrimeBB 数据集，开发了一种监督学习模型，能够过滤引用 CVE 的帖子并将其标记为概念证明、武器化或利用；利用随机森林，表明在分类任务中可以达到准确率、精确度和召回率均在 0.99 以上；此外，对武器化和利用之间的区别进行了解释，分析了与黑客社区相关的利润等方面。

    Aug, 2023

  • 利用黑客情感预测网络安全事件

    通过对黑客论坛上的情感分析，我们提出了一种新的方法来预测网络事件，该方法可以在攻击事件发生前几周就进行预测，一些特定的黑客论坛可以比现有的深度学习和时间序列模型更有效地进行预测。

    Apr, 2018

  • 基于分层注意力网络的在线论坛讨论摘要提取

    本研究首次尝试使用分层注意力网络进行论坛帖子的总结，并使用神经注意力机制创建句子和主题表示形式，其结果表明，采用冗余剔除的方法能够提高论坛帖子总结的效果。

    May, 2018

  • 利用话语信号进行教师干预的可靠性预测

    研究如何使用自动获取的话语关系来预测在线课程的讨论区中教师干预的情况，并且发现使用 PDTB 话语特征可以提高分类器的鲁棒性和多样性。

    Dec, 2016

  • 寻找导致对话结束的因素：关于串末留言的一项预测性研究

    该研究提出了一种基于深度学习的模型 ConverNet，能够确定在线多方对话中不太可能被进一步回复的帖子，从而提高在线社区交互的质量和用户体验，实验结果表明该模型的有效性。

    Dec, 2017

  • 基于图的自然语言推理模型：用于在线辩论情感极性预测的 GraphNLI

    本研究提出了一种基于图形遍历技术的新颖的基于神经网络的架构，即 GraphNLI，其使用图形遍历技术以原则的方式捕获讨论现场的更广泛背景，在预测回复的极性与其回复的帖子之间的情感关系方面表现出优异的性能。

    Feb, 2022

  • SYSML：带有结构和多任务学习的样式学习：对暗网论坛移民分析的影响

    本研究利用基于样式的多任务学习方法来进行对用户活动的作者归属度量，进而在四个不同的暗网论坛上取得了比现存算法更好的效果。

    Apr, 2021

  • 使用耦合分布式主题建模在线话语

    本研究提出了一种深度、全局归一化的主题模型，该模型考虑了社交生成语料库中文档之间的结构关系，并通过加入观察到的回复链接来捕捉对话交互信息，以及使用深度体系结构排列的潜在分布式表示，以实现基于 GPU 的有效比例推理过程。我们将该模型应用于 Reddit 论坛中的新社交媒体数据集，并对多个指标进行了评估，包括困惑度和元数据预测，并定量分析了所学到的交互模式。

    Sep, 2018

  • InterPrompt: Reddit 帖子中互相关联的人际风险因素的可解释提示

    通过使用 N-shot 学习方法和 GPT-3 模型进行细化调整，本论文介绍了一种可解释的提示方法来增强 GPT-3 模型的注意机制，提供更高级别的语言修改，从而检测出个人叙述中表示两个人际风险因素的文本线索，取得更好的系统级可解释性和可信度。研究结果表明，在使用 InterPrompt 调整后，四个 GPT-3 模型的变种在分类和解释生成方面相较于基准方法都有显著的提升。

    Nov, 2023