SYSML：基于结构与多任务学习的笔迹计量学及其在暗网论坛迁移者分析中的启示
计算与语言
2021-09-21 v2
摘要
暗网市场论坛常被用于交换非法商品与服务，各方使用加密隐藏身份。Tor网络用于托管这些市场，其保证来自IP与位置追踪的额外匿名化，使得跨使用多账户(sybils)的恶意用户进行关联具有挑战性。此外，用户在一个论坛关闭时迁移到新论坛，使得跨多论坛关联用户变得困难。我们开发了一种新颖的基于笔迹计量学的多任务学习方法，用于自然语言与交互建模，利用图嵌入构建用户活动短片段的低维表示以进行作者归属。我们在四个不同暗网论坛上对方法进行了综合评估，证明其优于当前最优(state-of-the-art, SOTA)方法，在平均检索排名(Mean Retrieval Rank)上提升达2.5倍，在Recall@10上提升达2倍。
引用
@article{arxiv.2104.00764,
title = {SYSML: StYlometry with Structure and Multitask Learning: Implications for Darknet Forum Migrant Analysis},
author = {Pranav Maneriker and Yuntian He and Srinivasan Parthasarathy},
journal= {arXiv preprint arXiv:2104.00764},
year = {2021}
}
备注
EMNLP 2021 camera ready version