揭穿虚假职业：基于多层异构图检测机器生成的职业轨迹
密码学与安全
2025-09-25 v1
摘要
大型语言模型（LLMs）的快速发展使得生成高度逼真的合成数据成为可能。我们发现了一种新的漏洞——LLMs在虚假简历中生成令人信服的职业轨迹，并探索有效的检测方法。为应对这一挑战，我们利用LLMs和各种方法构建了机器生成的职业轨迹数据集，并证明传统的基于文本的检测器在结构化职业数据上表现不佳。我们提出了CareerScape，一种新颖的异质、分层多层图框架，通过来自真实简历的统一全局图来建模职业实体及其关系。与将每个实例独立处理的传统分类器不同，CareerScape采用一种结构感知的框架，通过全局图中的可信邻域信息增强用户特定的子图，使模型能够同时捕捉全局结构模式和指示合成职业路径的局部不一致性。实验结果表明，CareerScape相比最先进的基线方法相对提升了5.8–85.0%，凸显了结构感知检测对机器生成内容的重要性。
引用
@article{arxiv.2509.19677,
title = {Unmasking Fake Careers: Detecting Machine-Generated Career Trajectories via Multi-layer Heterogeneous Graphs},
author = {Michiharu Yamashita and Thanh Tran and Delvin Ce Zhang and Dongwon Lee},
journal= {arXiv preprint arXiv:2509.19677},
year = {2025}
}
备注
Accepted at EMNLP 2025 Main