La IA identifica a los dealers de drogas en Instagram con una precisión cercana al 95%

Investigadores en EE. UU. han desarrollado un sistema de aprendizaje automático multimodal que es capaz de identificar las cuentas y publicaciones de dealers de drogas en Instagram, analizando una variedad de contenido, incluyendo contenido de imagen.

La investigación, titulada Identificar a los dealers de drogas ilícitas en Instagram con la fusión de datos multimodales a gran escala, es una colaboración entre tres investigadores de la Universidad de West Virginia y uno de la Universidad de la Reserva Occidental de Case.

Para facilitar el proyecto, los investigadores crearon una base de datos llamada Identificar a los dealers de drogas en Instagram (IDDIG), que cuenta con 4000 cuentas de usuario, de las cuales 1.400 son cuentas de dealers de drogas, y el resto como grupo de control para probar el proceso de identificación.

El marco del sistema de detección de dealers multimodal. El modelo incluye imágenes publicadas, comentarios publicados, así como información de imágenes de la página de inicio y textos biográficos publicados en la página de inicio. Fuente: https://arxiv.org/pdf/2108.08301.pdf

Las pruebas iniciales de la técnica informan de una tasa de precisión casi del 95% en la identificación de dealers de drogas en Instagram, y el marco también ha llevado a un proyecto de detección de comunidades basado en hashtags diseñado para descubrir indicadores cambiantes de actividad relacionada con la venta de drogas ilícitas, utilizando factores geográficos y la identificación de tipos específicos de drogas.

Dado que la base de datos desarrollada para el proyecto requirió etiquetado manual, el marco cuenta con un sistema de anotación amigable para el usuario, que utiliza un sistema de clasificación basado en las Representaciones de Codificador Bidireccional de Google (BERT), así como una clasificación de imágenes basada en ResNet.

El sistema de anotación web (con indicaciones adicionales de los autores del documento) para IDDIG.

Identificar a los dealers en conversaciones relacionadas con drogas

Las drogas recreativas se discuten en una amplia variedad de contextos en plataformas de redes sociales como Instagram. Muchos de los que publican son consumidores en lugar de vendedores. Dependiendo de las regulaciones en su localidad, y la posibilidad de medicamentos con receta incluso en localidades que difieren en su legislación sobre drogas, también pueden ser consumidores legales.

Imágenes relacionadas con drogas incorporadas en la base de datos del proyecto.

Además, el comportamiento de los dealers de drogas en Instagram no siempre es explícito; con frecuencia, los dealers anuncian a través de comentarios y hashtags en lugar de publicaciones multimedia, que en general serían más fáciles de identificar como contenido de “venta de drogas” para sistemas de supervisión humanos y de máquina. Por lo tanto, los hashtags y la actividad de comentarios se han incorporado como activos de identificación en el nuevo sistema.

Diferentes patrones del comercio de drogas en publicaciones de Instagram.

Además del análisis de texto basado en BERT y la investigación de imágenes basada en ResNet, el trabajo incorpora la fusión de datos multimodales a nivel de características, como se propuso en el documento de 2016 Análisis de correlación discriminante: fusión de características en tiempo real para el reconocimiento biométrico multimodal.

Hashtags como semillas para una base de datos

El mecanismo de scraping web del proyecto comienza su camino hacia la identificación de cuentas de dealers de drogas trazando la ruta de 200 hashtags relacionados con drogas identificados por expertos en el dominio, utilizando la API de búsqueda de hashtags.

Las imágenes en las publicaciones que utilizan los hashtags se clasifican utilizando un modelo de clasificación binaria VGG-16. Las imágenes que se correlacionan con imágenes de drogas conocidas se guardan en el sistema, y la publicación se convierte en un objeto JSON para su recuperación posterior.

El marco luego se extiende a los comentarios y la información relacionada (tanto texto como imágenes) contenida en la página de inicio de los que han participado en el hashtag y cuyo contenido ha sido marcado como relacionado con drogas. De esta manera, se ingirieron 10.000 publicaciones potenciales y 23.034 páginas de inicio de usuario en el conjunto de datos.

Dado que los hashtags relacionados con drogas evolucionan constantemente para evadir la detección de patrones y la atención de las autoridades, cualquier nuevo hashtag en la publicación marcada que no forme parte de la colección de hashtags de semillas se anota y se registra para su uso futuro.

Después de la etiquetado en la interfaz web (ver imagen anterior), la fusión de datos multimodales debe acomodar el hecho de que no todas las publicaciones contendrán los cuatro tipos de datos posibles. Por lo tanto, el algoritmo puede tolerar nueve de los 16 subpuntos entre los cuatro tipos de datos, utilizando la concatenación y las características fusionadas, donde los elementos faltantes se corresponderán con cero en el cálculo.

NetworkX

El conjunto de datos se utiliza finalmente a través del paquete de lenguaje Python NetworkX propuesto en 2008 por el Laboratorio Nacional de Los Álamos en Nuevo México. NetworkX se ha utilizado ampliamente en operaciones a gran escala, incluyendo gráficos con más de 10 millones de nodos.

Al tratar los hashtags en el conjunto de datos como si hubieran sido incluidos en una sola publicación, fue posible para los investigadores generar un gráfico no dirigido de drogas relacionadas para que NetworkX lo analice.

El conjunto de datos IDDIG se probó en una variedad de protocolos, incluyendo la fusión de datos multimodales, la fusión de datos multi-fuente y la fusión cuádruple, y logró resultados de precisión de hasta el 95% en términos de identificar publicaciones y usuarios relacionados con drogas, en comparación con los métodos de identificación con intervención humana.

También fue posible generar ‘gráficos de explosión’ que revelan indicadores generales para la disposición geográfica de la actividad relacionada con drogas en Instagram, y otras posibles líneas de investigación futuras en proyectos similares.

en términos de identificar publicaciones y usuarios relacionados con drogas, en comparación con los métodos de identificación con intervención humana. También fue posible generar ‘gráficos de explosión’ que revelan indicadores generales para la disposición geográfica de la actividad relacionada con drogas en Instagram, y otras posibles líneas de investigación futuras en proyectos similares.