少数胜过多数：基于少样本学习的非法内容识别
计算机视觉与模式识别
2023-11-29 v1 人工智能
密码学与安全
计算机与社会
机器学习
摘要
暗网的匿名性和不可追踪性使其受欢迎的潜力呈指数级增长，同时也为诸多非法活动提供了温床。因此，在与网络安全和执法机构合作下，研究提供了识别和分类非法活动的方法，其中大多数利用了暗网市场文本的非法内容识别；此类方法中极少使用源自暗网内容的图像。本文研究这种从图像中识别非法活动的替代技术。特别地，我们研究标签不可知的学习技术，如单样本和少样本学习，并采用连体神经网络（Siamese neural networks）——该领域的一种前沿方法。我们的方案能以可观的准确率处理小规模数据集。具体而言，连体神经网络在10类数据集的20样本实验中达到90.9%的准确率；这使我们得出结论：此类模型作为暗网上自动化执法机制定义的一种有前景且更廉价的替代方案。
引用
@article{arxiv.2311.17026,
title = {When the Few Outweigh the Many: Illicit Content Recognition with Few-Shot Learning},
author = {G. Cascavilla and G. Catolino and M. Conti and D. Mellios and D. A. Tamburri},
journal= {arXiv preprint arXiv:2311.17026},
year = {2023}
}