Abstracto

Machine Learning 2018: Lamassu, detección del extremismo cibernético mediante el descubrimiento automático de características léxicas y el análisis social: una aplicación en las redes de demanda de la yihad - Noor Alasadi - Universidad de Damasco

Noor Alasadi

Los sitios de comunicación informal de largo alcance han disfrutado de un éxito extraordinario en los últimos tiempos, además de las diversas nuevas oportunidades que están ofreciendo, los grupos de fanáticos y las asociaciones de opresores basados ????en el miedo los están utilizando para elevar su filosofía para fomentar las comunicaciones internas y generar una respuesta mental organizada en sus adversarios. Muchos recursos web contienen información sobre el radicalismo, pero una proporción relativamente pequeña proviene de los propios grupos de opresores psicológicos y, dado que verificar y descomponer físicamente todo su contenido de forma independiente durante el combate es inalcanzable, se buscan soluciones que utilicen técnicas automatizadas. Este estudio aplica estrategias de IA para realizar la localización automatizada del lenguaje fanático. En este proyecto, propusimos una metodología para identificar el contenido fanático e identificar posibles clientes radicales en la vida basada en Internet. La filosofía del estudio investiga las incorporaciones a los registros de los clientes para predecir el radicalismo mediante un modelo de tema medible en un corpus árabe que identifica publicaciones de fanáticos con características creadas automáticamente y un formato revisado en el que, independientemente de si el radicalismo se aplica a un individuo determinado, implica un grado identificado con numerosas variables. Para demostrar nuestro trabajo, hemos creado un conjunto de datos que contiene más de 360.000 publicaciones de grupos web. Las investigaciones sobre un índice informativo examinado muestran una precisión del 96,20% y una precisión del 94,90%. El creciente uso de Internet como un método importante para la comunicación ha impulsado la creación de redes digitales, que se han vuelto cada vez más atractivas para los grupos militantes psicológicos debido a la idea no regulada de la comunicación por Internet. Los grupos de personas en línea permiten a los fanáticos apasionados aumentar el reclutamiento al permitirles construir relaciones personales con un público general apto para acceder a contenido sin censura. Este artículo presenta técnicas para distinguir las actividades de reclutamiento de grupos agresivos dentro de los sitios de redes sociales radicales en línea. En particular, estas estrategias aplican procedimientos experimentados en el aprendizaje dirigido y el manejo del lenguaje común a la tarea no probada de reconocer de forma natural las ofertas de discusión esperadas en nuevos individuos radicales violentos seleccionados. Utilizamos datos del sitio yihadista occidental Ansar AlJihad Network, que fue organizado por el Proyecto Dark Web de la Universidad de Arizona. Varias autoridades designadas explicaron físicamente un ejemplo de esta información, marcando 192 puestos probados arbitrariamente como de reclutamiento (Efectivamente) o de no reclutamiento (NO). Observamos una gran comprensión entre los nombres de las autoridades designadas; κ de Cohen = (0,5, 0,9) en p = 0,01. Probamos la plausibilidad de utilizar modelos de Bayes credulous, recaída calculada, árboles de agrupamiento, refuerzo y máquinas de vectores de refuerzo (SVM) para ordenar los puestos de agrupamiento.La evaluación con curvas ROC (marcas de trabajo de beneficiarios) muestra que nuestro clasificador SVM logra un área bajo la curva (AUC) del 89 %, una mejora notable con respecto al rendimiento del AUC del 63 % logrado por nuestro modelo Bayes simple (prueba de Tukey a p = 0,05). En lo que a todos respecta, este es el resultado principal proporcionado por los datos sobre esta tarea, y nuestro estudio demuestra que la identificación automática del reclutamiento de opresores psicológicos en línea es una tarea alcanzable. También identificamos varias áreas importantes de trabajo futuro, incluida la agrupación de publicaciones que no están en inglés y la estimación de cómo las publicaciones de reclutamiento y los desarrollos recientes cambian las cifras de participación a lo largo del tiempo.

Biografía :

Noor Alasadi es un científico de datos sénior en Creditinfo Group, un proveedor líder de servicios de información crediticia y soluciones de gestión de riesgos en todo el mundo. Es profesor de posgrado e investigador en la Universidad de Damasco, Departamento de Inteligencia Artificial y Procesamiento del Lenguaje Natural. También es miembro del Comité Científico de la ACM-ICPC, en el que fue juez, creador de problemas, entrenador y organizador del Concurso de Programación Universitaria Árabe (2012-2017). También participó en múltiples proyectos de asociación público-privada con empresas y autoridades en Oriente Medio para construir sistemas de seguridad inteligentes.