Live or Lie：基于动作感知的信封式多实例学习用于直播平台风险评估
机器学习
2026-02-12 v2 人工智能
摘要
直播已成为当今互联网的基石，使大规模实时社交互动成为可能。然而，它面临着由稀疏、协调恶意行为引发的严重风险，这些行为常被掩盖在正常活动中，难以及时准确检测。本文对直播间的风险评估进行开创性研究，该研究以仅提供房间级标签的弱监督为特征。我们将任务形式化为多实例学习（MIL）问题，将每个房间视为一个包，并定义结构化的用户-时间段信封作为实例。这些信封代表特定时间窗口内用户行为的子序列，封装了局部行为模式。基于此表述，我们提出了 AC-MIL，一种基于动作感知的信封式 MIL 框架，用于建模单个行为和群体级协调模式。AC-MIL 通过串行和并行架构捕获多粒度语义和行为线索，联合编码时间动力学和跨用户依赖性。这些信号被整合用于稳健的房间级风险预测，同时在行为片段层面提供可解释证据。通过在豆瓣的大规模工业数据集上的大量实验表明，AC-MIL 显著优于 MIL 和序列基线，树立了直播房间水平风险评估的新 SOTA 水平。此外，AC-MIL 提供信封级可解释性，使能够识别风险行为片段作为可操作的干预证据。项目页面可在 https://qiaoyran.github.io/AC-MIL/ 访问。
引用
@article{arxiv.2602.03520,
title = {Live or Lie: Action-Aware Capsule Multiple Instance Learning for Risk Assessment in Live Streaming Platforms},
author = {Yiran Qiao and Jing Chen and Xiang Ao and Qiwei Zhong and Yang Liu and Qing He},
journal= {arXiv preprint arXiv:2602.03520},
year = {2026}
}
备注
Accepted by KDD'26 August Track