Aug, 2023

异构时态 MMMA 图上的众包欺诈检测

PDF
TL;DR利用多功能消息手机应用程序（MMMA）进行点击农场业务的崛起引诱网络犯罪分子犯下众包欺诈行为，从而给点击农场工人带来经济损失。本文提出了一种名为 CMT 的新型对比多视图学习方法，用于检测 MMMA 的异构时态图（HTG）上的众包欺诈行为。CMT 以自监督方式捕捉 HTG 的异质性和动态性，并生成高质量的表示以进行众包欺诈检测。我们在代表性的 MMMA WeChat 的行业规模 HTG 上部署 CMT 进行众包欺诈检测，结果明显优于其他方法。CMT 在大规模公共金融 HTG 上也表现出有希望的结果，表明它可应用于其他图形异常检测任务。
发现论文，激发创造
  • 自监督图表示学习用于黑市账户检测

    本文提出了一种基于 Graph Neural Network 与 Graph Self-supervised Learning 的黑市账户检测系统 SGRL，用于可以代表超过十亿用户的典型多用途消息移动应用程序 WeChat，SGRL 可以减轻标签的依赖，可以很好地推广到未知数据，并可以有效地检测 WeChat 环境中的黑市账户。

    Dec, 2022

  • 细粒度跨模态虚构和不协调情况的误信息检测框架

    本研究关注于通过图像 —— 标题对传播虚假信息的交叉多模态误传（CMM），并提出一种名为 FIGMENTS 的评估基准集合，以消除一模式偏见，并开发了一种名为 CHASMA 的方法来生成可靠的合成数据，最终得到了在二元和多类设置中提高了性能的结果。

    Apr, 2023

  • 多模态和对比学习用于点击欺诈检测

    该研究提出了一种基于多模态和对比学习网络的点击欺诈检测方法，结合了用户的广泛特征、行为序列和异构网络来提取点击特征，并通过对比学习进行集成，相较于现有方法，可以提高 AUC 和 F1 分数。

    May, 2021

  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

    Apr, 2023

  • 基于 GCN 可信度预测的协同移动群体感知高效招募策略

    该文研究了协作移动众包感知的工人招聘，提出了一种通过 Mini-Batch K-Means 聚类算法和 GCN 模型获取工人间信任关系进行更高效的招聘，并通过 TSR 算法优化选取多目标任务效用的平衡工人集合的策略，实验结果表明优于其他策略。

    Jun, 2023

  • MMNet：多协作和多监督网络用于顺序深度伪造检测

    提出了一种名为 Multi-Collaboration and Multi-Supervision Network (MMNet) 的方法，用于处理伪造的人脸图像中的各种空间尺度和顺序排列，并在不需要相关操作方法知识的情况下实现恢复，同时提出了一种名为 Complete Sequence Matching (CSM) 的新的评估指标，反映了在多个推断步骤中检测完整伪造序列的能力。在多个典型数据集上的广泛实验表明，MMNet 在检测性能和独立恢复性能方面达到了最先进的水平。

    Jul, 2023

  • 检测和定位多模态媒体操纵及其拓展

    多模态媒体篡改的检测和处理是一个新的研究问题，本文提出了 DGM^4 数据集和 HAMMER 模型，用于多模态媒体的真伪检测和篡改内容的处理。

    Sep, 2023

  • 基于双图的关注多模学习的微服务系统异常检测

    本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

    Oct, 2023

  • 检测和定位多模态媒体篡改

    本文提出一种新的多模式媒体伪造问题，即检测和定位多模式媒体操纵（DGM^4），构建第一个数据集，并提出了一种新的 HierArchical 多模式操作推理变压器（HAMMER）方法来捕捉不同模态之间的细粒度交互以及在不同的深度上检测和定位操纵。

    Apr, 2023

  • 通过多群体感知优化的最大均值差异检测机器生成的文本

    利用最大均值差异（MMD）来检测生成文本中的多个文本人口，提高测量分布差异的稳定性。

    Feb, 2024