Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Détection automatique des modèles trompeurs en ligne

Created by
  • Haebom

Auteur

Asmit Nayak, Shirley Zhang, Yash Wani, Rishabh Khandelwal, Kassem Fawaz

Contour

Cet article présente AutoBot, un système automatisé qui détecte et alerte les utilisateurs en temps réel sur les schémas trompeurs (SD) dans les interfaces numériques. AutoBot analyse l'apparence visuelle d'un site web grâce à des techniques d'apprentissage automatique. Il identifie les éléments interactifs et extrait les caractéristiques textuelles sans s'appuyer sur la structure HTML. Il s'appuie sur un modèle de langage personnalisé pour comprendre le contexte entourant ces éléments et déterminer la présence de schémas trompeurs. Implémenté sous la forme d'une extension légère pour navigateur Chrome, il effectue toutes les analyses localement, minimisant ainsi la latence et protégeant la confidentialité des utilisateurs. Des évaluations approfondies démontrent qu'AutoBot améliore la capacité des utilisateurs à naviguer en toute sécurité dans les environnements numériques et constitue un outil précieux pour les régulateurs afin d'évaluer et de faire respecter la conformité SD.

Takeaways, Limitations

Takeaways:
Une nouvelle méthode pour aider les utilisateurs à naviguer en toute sécurité dans l’environnement numérique en détectant les modèles trompeurs en temps réel.
Une approche basée sur l'analyse visuelle qui ne repose pas sur la structure HTML, augmentant ainsi l'applicabilité à une plus large gamme de sites Web.
Protégez votre confidentialité et minimisez la latence grâce aux analyses locales.
Aider les régulateurs à évaluer et à faire respecter la conformité aux modèles trompeurs.
Limitations:
Des recherches supplémentaires sont nécessaires sur les performances et la capacité de généralisation des modèles de langage personnalisés.
Des améliorations sont nécessaires en termes de précision de détection et de polyvalence pour différents types de modèles trompeurs.
Des analyses et des améliorations sont nécessaires pour faire face à la possibilité de faux positifs et d’échecs.
Prise en charge limitée de la plate-forme avec les extensions du navigateur Chrome
👍