NBC-Softmax：暗网作者指纹识别与迁移追踪
机器学习
2022-12-19 v1 人工智能
计算与语言
信息检索
摘要
度量学习旨在从数据中学习距离，从而提升基于相似度的算法性能。作者风格检测任务是一个度量学习问题，其中学习具有较小类内差异和较大类间差异的风格特征对取得更好性能至关重要。近来，基于 softmax 损失的度量学习已成功用于风格检测。虽然 softmax 损失能产生可分离表示，但其判别力相对较弱。本工作中，我们提出 NBC-Softmax，一种基于对比损失的 softmax 损失聚类技术，其更直观且能取得更优性能。我们的技术满足更大样本数的准则，从而实现块对比性，已被证明优于成对损失。它有效利用 mini-batch 采样且具有可扩展性。在 4 个暗网社交论坛上的实验表明，采用所提 NBC-Softmax 进行作者与女巫检测的 NBCSAuthor，其负块对比方法在使用相同网络架构时持续优于 SOTA 方法。我们的代码公开于：https://github.com/gayanku/NBC-Softmax
引用
@article{arxiv.2212.08184,
title = {NBC-Softmax : Darkweb Author fingerprinting and migration tracking},
author = {Gayan K. Kulatilleke and Shekhar S. Chandra and Marius Portmann},
journal= {arXiv preprint arXiv:2212.08184},
year = {2022}
}