Kënschtlech Intelligenz
AI identifizéiert Instagram Drogendealer mat bal 95% Genauegkeet
Fuerscher an den USA hunn e multimodale Maschinnléieresystem entwéckelt, dee fäeg ass d'Konten an d'Poste vun Drogendealer op Instagram z'identifizéieren, andeems se eng Vielfalt vun Inhalter analyséieren, dorënner Bildinhalt.
d' Fuerschung, berechtegt Illicit Drogendealer op Instagram z'identifizéieren mat grousser Multimodaler Datefusioun, ass eng Zesummenaarbecht tëscht dräi Fuerscher vun der West Virginia University an engem vun der Case Western Reserve University.
Fir de Projet ze erliichteren, hunn d'Fuerscher eng Datebank erstallt genannt Identifikatioun Drogendealer op Instagram (IDDIG), mat 4000 Benotzerkonten, mat 1,400 Konte vun Drogendealer, an de Rescht als Kontrollgruppe fir den Identifikatiounsprozess ze testen.
De Kader vum multimodalen Händler-Detektiounssystem. De Modell enthält gepost Biller, gepost Kommentarer, souwéi Informatioun vun Homepage Biller a Biographie Texter op der Homepage gepost. Source: https://arxiv.org/pdf/2108.08301.pdf
Éischt Tester vun der Technik bericht bal eng 95% Genauegkeetsquote bei der Identifikatioun vun Instagram-baséiert Drogendealer, an de Kader huet och zu engem Hashtag-baséiert Gemeinschaftserkennungsprojet gefouert, entwéckelt fir verännerend Bedeitong vun Aktivitéit am Zesummenhang mam Verkaf vun illegalen Drogen z'entdecken, mat Hëllef vun geographesch Faktoren an Identifikatioun vu spezifesche Drogentypen.
Zënter datt d'Datebank, déi fir de Projet entwéckelt gouf, manuell Label erfuerderlech ass, huet de Kader e userfrëndlechen Annotatiounssystem, deen e Klassifizéierungssystem benotzt baséiert op Google Bidirectional Encoder Representations from Transformers (BERT), souwéi ResNet-baséiert Bildklassifikatioun.
De Web-baséiert Annotatiounssystem (mat zousätzlech Indikatiounen vun den Auteuren vum Pabeier) fir IDDIG.
Den Händler an Drogen-Zesummenhang Gespréicher gesinn
Fräizäit Drogen ginn an enger grousser Zuel vu Kontexter iwwer soziale Medienplattformen wéi Instagram diskutéiert. Vill vun deene Poste si Konsumenten anstatt Verkeefer. Ofhängeg vun de Reglementer an hirer Uertschaft, an der Méiglechkeet vu Rezeptmedizin och an Uertschaften, déi sech an hirer Drogegesetzgebung ënnerscheeden, kënnen se och legal Konsumenten.
Drogenbezunnen Biller an d'Datebank vum Projet bruecht.
Zousätzlech ass d'Verhalen vun Drogendealer op Instagram net ëmmer explizit; dacks annoncéieren d'Händler iwwer Kommentaren an Hashtag amplaz vu Multimedia Posts, wat am Allgemengen méi einfach wier als "Drogenhandel" Inhalt z'identifizéieren, souwuel fir mënschlech a Maschinn Iwwerwaachungssystemer. Dofir sinn Hashtag a Kommentaraktivitéit agebaut ginn als Identifikatioun vun Verméigen am neie System.
Multiple Mustere vum Drogenhandel op Instagram Posts.
Zousätzlech zu BERT-baséiert Textanalyse an ResNet-ofgeleet Bildenquête, integréiert d'Aarbecht Feature-Niveau multimodal Datefusioun, wéi am 2016 IEEE proposéiert. Pabeier Diskriminant Korrelatiounsanalyse: Echtzäit Feature Level Fusioun fir Multimodal Biometresch Unerkennung.
Hashtags als Somen fir eng Datebank
De Web-Scraping Mechanismus vum Projet fänkt seng Rees op d'Identifikatioun vun Drogenhandelskonten un andeems de Wee vun 200 Drogenbezunnen Hashtag identifizéiert vun Domainexperten identifizéiert, mat Hëllef vun der hashtag sichen API.
Biller a Posts déi d'Hashtags benotzen ginn dann mat engem VGG-16-baséierte Binär klasséiert Klassifikatioun Modell. Biller, déi mat bekannten Drogenbilder korreléieren, ginn dann am System gespäichert, an de Post gëtt an e JSON-Objet ëmgewandelt fir spéider zréckzekommen.
De Kader erstreckt sech dann op verwandte Kommentaren an Informatioun (souwuel Text a Biller) op der Homepage vu Plakater, déi um Hashtag deelgeholl hunn, an deenen hiren Inhalt als Drogenbezunn markéiert gouf. Op dës Manéier goufen 10,000 potenziell Posts an 23,034 Benotzer-Homepages an d'Dateset agegeholl.
Zënter Drogenbezunnen Hashtag evoluéiere dauernd fir Mustererkennung an d'Opmierksamkeet vun den Autoritéiten z'evitéieren, ginn all nei Hashtags am markéierte Post, déi net Deel vun der Sammlung vun der Sammhashtag waren, notéiert a fir zukünfteg Benotzung opgeholl.
No der Etikettéierung an der webbaséierter Interface (kuckt Bild hei uewen), muss multimodal Datefusioun d'Tatsaach ophuelen datt net all Posts all véier méiglech Aarte vun Daten enthalen. Dofir ass den Algorithmus fäeg néng vun insgesamt 16 Ënnerpunkte tëscht de véier Datentypen ze toleréieren, andeems d'Konkatenatioun a verschmolzene Funktiounen benotzt, wou fehlend Elementer mat Null an der Berechnung entspriechen.
NetworkX
Den Dataset gëtt endlech iwwer den NetworkX Python Sproochpaket proposéiert am Joer 2008 vum Los Alamos National Laboratory zu New Mexico. Network X gouf extensiv a grousser Operatioun benotzt, dorënner Grafike mat méi wéi 10 Milliounen Noden.
Andeems Dir d'Hashtags an der Dataset behandelt wéi wa se an engem Post abegraff wieren, war et méiglech fir d'Fuerscher eng ondirekter Drogenbezunnen Grafik ze generéieren fir NetworkX ze analyséieren.
D'IDDIG Dataset gouf iwwer eng Vielfalt vu Protokoller getest, dorënner Multi-Modal Data Fusion, Multi-Source Data Fusion, a Quadruple-based Fusion, an erreecht Genauegkeetsresultater vu bis zu 95% wat d'Identifikatioun vun Drogenbezunnen Posts a Benotzer ugeet, duerch Verglach mat Mënsch-an-der-Loop Methoden vun Identifikatioun.
Et war och méiglech "Sonnestrahlungen" ze generéieren déi breet Indikatoren fir geographesch Dispositioun vun der Drogenbezunnen Aktivitéit op Instagram weisen, an aner méiglech zukünfteg Enquêtelinnen an ähnleche Projeten.
