基于可解释 XGBoost 的识别欺骗与虚假信息检测方法
密码学与安全
2024-05-30 v1
摘要
威胁行为者持续利用地缘政治和全球公共事件，发起激进的网络虚假信息传播活动。本文扩展了我们先前关于使用与欺骗和网络犯罪相关的心理语言学和计算语言学过程检测虚假信息的研究，以了解影响机器学习模型预测结果的特征。在本文中，我们尝试确定在混合模型中（训练数据包括虚假信息和诈骗、虚假积极和消极在线评论，或欺诈）欺骗在虚假信息中的模式。本文生成了四个混合模型：虚假信息与诈骗（DIS+EN）、虚假信息与诈骗（DIS+FB）、虚假信息与积极虚假评论（DIS+POS）以及虚假信息与消极虚假评论（DIS+NEG）。这四个混合模型的预测准确率范围为75%至85%。模型结果采用 SHAP 进行评估，以确定特征的影响。
引用
@article{arxiv.2405.18596,
title = {An Explainable XGBoost-based Approach on Assessing Detection of Deception and Disinformation},
author = {Alex V Mbaziira and Maha F Sabir},
journal= {arXiv preprint arXiv:2405.18596},
year = {2024}
}