CrediBench: Building Web-Scale Network Datasets for Information Integrity
यह शोध पत्र CrediBench को प्रस्तुत करता है, जो 4 करोड़ से अधिक डोमेन से आठ महीने के ग्राफ, टेक्स्ट और टेम्पोरल डेटा से युक्त एक वेब-स्केल मल्टी-मोडल डेटासेट है, जो मौजूदा क्लेम-लेवल दृष्टिकोणों द्वारा अक्सर छोड़े जाने वाले स्ट्रक्चरल और डायनेमिक सिग्नल्स को कैप्चर करके विश्वसनीयता भविष्यवाणी मॉडलों के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे शहर की तरह है जहाँ हर वेबसाइट एक इमारत है। कुछ इमारतें ईमानदार पुस्तकालयों जैसी हैं, कुछ संदिग्ध गलियों की दुकानों जैसी, और कुछ सीधे तौर पर जाल (traps) हैं। अभी, उनके बीच अंतर करना कठिन होता जा रहा है क्योंकि बुरे तत्व बहुत ही विश्वसनीय दिखने वाले नकली स्टोरफ्रंट बना रहे हैं, और हर सेकंड नए "भवन" बनकर उभर रहे हैं।
यह शोध पत्र CrediBench को पेश करता है, जो एक विशाल नया टूल है जिसे इस शहर में नेविगेट करने और यह पता लगाने के लिए डिज़ाइन किया गया है कि कौन सी इमारतें भरोसेमंद हैं।
यहाँ बताया गया है कि उन्होंने क्या किया, सरल उपमाओं (analogies) का उपयोग करते हुए:
1. समस्या: पुराने नक्शे बहुत छोटे हैं
पहले, शोधकर्ता जो फर्जी खबरों या खतरनाक वेबसाइटों को पहचानने की कोशिश कर रहे थे, उन्हें दो मुख्य समस्याओं का सामना करना पड़ता था:
- वे केवल "मेन्यू" देखते थे: अधिकांश उपकरण केवल एक वेबपेज के टेक्स्ट (मेन्यू) को पढ़कर यह तय करते थे कि वह एक अच्छा रेस्टोरेंट है या नहीं। वे इस बात को नजरअंदाज कर देते थे कि उसका मालिक कौन है या उसके दोस्त कौन हैं।
- नक्शे बहुत छोटे थे: मौजूदा डेटासेट एक अकेले मोहल्ले के नक्शे की तरह थे। उनके पास पूरे शहर को देखने के लिए पर्याप्त डेटा नहीं था, विशेष रूपकर यह देखने के लिए कि इमारतों के बीच के संबंध समय के साथ कैसे बदलते हैं।
2. समाधान: एक विशाल, जीवंत शहर का नक्शा
लेखकों ने CrediBench बनाया, जो आठ महीनों के लिए पूरे इंटरनेट का एक हाई-डेफिनिशन, टाइम-लैप्स मैप है।
- पैमाना (Scale): यह विशाल है। यह 4 करोड़ "इमारतों" (डोमेन) और उन्हें जोड़ने वाले 1 अरब "रास्तों" (हाइपरलिंक्स) को ट्रैक करता है। इसे समझने के लिए, यह अपने जैसे किसी भी पिछले नक्शे की तुलना में कई गुना बड़ा है।
- तीन परतें (Three Layers): केवल टेक्स्ट को देखने के बजाय, CrediBench एक साथ तीन चीजों को देखता है:
- टेक्स्ट (The Text): पेजों पर क्या लिखा है? (मेन्यू)।
- संरचना (The Structure): कौन किसको लिंक करता है? (मोहल्ले की गपशप और गठबंधन)।
- समय (Time): ये संबंध कैसे बदलते हैं? (क्या पिछले हफ्ते एक प्रतिष्ठित पुस्तकालय ने अचानक एक संदिग्ध दुकान को लिंक देना शुरू कर दिया?)।
3. "विश्वसनीयता स्कोर" (The Credibility Score)
शोधकर्ताओं ने कंप्यूटर को विशेषज्ञ निरीक्षकों (inspectors) की तरह काम करना सिखाया। उन्होंने सिस्टम का परीक्षण करने के दो तरीके बनाए:
- "ट्रस्ट मीटर" (रिग्रेशन): केवल "अच्छा" या "बुरा" कहने के बजाय, सिस्टम 0 से 1 तक का एक स्कोर देता है, जो यह बताता है कि कोई साइट कितनी विश्वसनीय है।
- "पास/फेल" टेस्ट (वर्गीकरण): एक सरल "हाँ, यह सुरक्षित है" या "नहीं, यह खतरनाक है।"
इन निरीक्षकों को प्रशिक्षित करने के लिए, उन्होंने केवल अनुमान नहीं लगाया। उन्होंने 6,62,000 वेबसाइटों की एक विशाल सूची एकत्र की जिन्हें विशेषज्ञों, भीड़ (crowds) और सुरक्षा फर्मों द्वारा पहले ही "विश्वसनीय" या "अविश्वसनीय" के रूप में लेबल किया जा चुका था (जिसमें गलत सूचना, मैलवेयर और फिशिंग शामिल हैं)। यह अपने जैसे प्रकार की अब तक की सबसे बड़ी सूची है।
4. परिणाम: टीमवर्क की जीत
टीम ने यह देखने के लिए प्रयोग चलाए कि कौन सी "इंद्रिय" (sense) सबसे महत्वपूर्ण थी: टेक्स्ट को पढ़ना, लिंक्स को देखना, या टाइमलाइन को देखना।
- निष्कर्ष: आप केवल एक इंद्रिय पर भरोसा नहीं कर सकते। एक मॉडल जो केवल टेक्स्ट पढ़ता है, वह ठीक है, लेकिन एक मॉडल जो केवल लिंक्स देखता है, वह भी ठीक है।
- विजेता: वह सुपर-इंस्पेक्टर जिसने तीनों (टेक्स्ट + लिंक्स + समय) को मिलाया, स्पष्ट विजेता रहा।
- "ट्रस्ट मीटर" कार्य पर, इसने त्रुटियों को भारी अंतर से कम कर दिया (त्रुटियों को 16% से घटाकर 10% कर दिया)।
- "पास/फेल" टेस्ट पर, यह 56% बार सही होने से बढ़कर 85% बार सही होने तक पहुँच गया।
5. यह क्यों महत्वपूर्ण है
शोध पत्र का तर्क है कि गलत सूचना (misinformation) वेबसाइटों के बीच के संबंधों के माध्यम से एक वायरस की तरह फैलती है, न कि केवल एक पेज पर लिखे शब्दों के माध्यम से। पूरे शहर के नक्शे और समय के साथ उसकी गति को देखकर, हम "बुरे मोहल्लों" को बहुत तेज़ी से पहचान सकते हैं।
संक्षेप में: लेखकों ने इंटरनेट के ट्रस्ट नेटवर्क का अब तक का सबसे बड़ा, सबसे विस्तृत नक्शा बनाया है। उन्होंने साबित किया कि झूठ पकड़ने के लिए, आपको यह पढ़ना होगा कि वे क्या कहते हैं, यह देखना होगा कि वे किसके साथ रहते हैं, और यह देखना होगा कि उनके संबंध समय के साथ कैसे बदलते हैं। उन्होंने इस नक्शे और प्रशिक्षण उपकरणों को उपयोग के लिए उपलब्ध कराया है, ताकि भविष्य के शोधकर्ता इंटरनेट को सुरक्षित रखने के लिए बेहतर "सिटी इंस्पेक्टर्स" बना सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।