Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات
Submitted 9 September, 2024; originally announced September 2024. , Comments: 12 pages , Journal ref: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2024
توضیحات به فارسی
ارسال شده در 9 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: 12 صفحه ، ژورنال Ref: مجموعه مقالات سی امین کنفرانس ACM SIGKDD در مورد کشف دانش و داده کاوی ، 2024
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Large language models (LLMs) have demonstrated remarkable capabilities in natural language processing tasks. However, their practical application in high-stake domains, such as fraud and abuse detection, remains an area that requires further exploration. The existing applications often narrowly focus on specific tasks like toxicity or hate speech detection. In this paper, we present a comprehensive benchmark suite designed to assess the performance of LLMs in identifying and mitigating fraudulent and abusive language across various real-world scenarios. Our benchmark encompasses a diverse set of tasks, including detecting spam emails, hate speech, misogynistic language, and more. We evaluated several state-of-the-art LLMs, including models from Anthropic, Mistral AI, and the AI21 family, to provide a comprehensive assessment of their capabilities in this critical domain. The results indicate that while LLMs exhibit proficient baseline performance in individual fraud and abuse detection tasks, their performance varies considerably across tasks, particularly struggling with tasks that demand nuanced pragmatic reasoning, such as identifying diverse forms of misogynistic language. These findings have important implications for the responsible development and deployment of LLMs in high-risk applications. Our benchmark suite can serve as a tool for researchers and practitioners to systematically evaluate LLMs for multi-task fraud detection and drive the creation of more robust, trustworthy, and ethically-aligned systems for fraud and abuse detection.
چکیده به فارسی (ترجمه ماشینی)
مدل های بزرگ زبان (LLMS) در کارهای پردازش زبان طبیعی توانایی های قابل توجهی را نشان داده اند.با این حال ، کاربرد عملی آنها در حوزه های بالایی ، مانند کلاهبرداری و تشخیص سوء استفاده ، محلی است که نیاز به اکتشاف بیشتر دارد.برنامه های موجود غالباً به سختی روی کارهای خاص مانند سمیت یا تشخیص گفتار نفرت تمرکز می کنند.در این مقاله ، ما یک مجموعه معیار جامع ارائه شده برای ارزیابی عملکرد LLM ها در شناسایی و کاهش زبان کلاهبرداری و سوءاستفاده در سناریوهای مختلف دنیای واقعی ارائه شده است.معیار ما مجموعه متنوعی از وظایف را شامل می شود ، از جمله تشخیص ایمیل های هرزنامه ، گفتار نفرت ، زبان نادرست و موارد دیگر.ما چندین LLM پیشرفته از جمله مدل های Anthropic ، Mistral AI و خانواده AI21 را ارزیابی کردیم تا ارزیابی کاملی از توانایی های آنها در این حوزه بحرانی ارائه دهیم.نتایج حاکی از آن است که در حالی که LLMS عملکرد پایه ای ماهرانه در کارهای کلاهبرداری و سوء استفاده از سوءاستفاده را نشان می دهد ، عملکرد آنها به طور قابل توجهی در وظایف متفاوت است ، به ویژه با وظایفی که خواستار استدلال عملی ظریف هستند ، مانند شناسایی اشکال متنوع زبان سوء استفاده کننده.این یافته ها پیامدهای مهمی برای توسعه مسئول و استقرار LLMS در برنامه های پرخطر دارد.مجموعه معیار ما می تواند به عنوان ابزاری برای محققان و پزشکان برای ارزیابی سیستماتیک LLM ها برای تشخیص کلاهبرداری چند کاره و ایجاد ایجاد سیستم های قوی تر ، قابل اعتماد و اخلاقی تر برای کلاهبرداری و سوء استفاده از سوء استفاده باشد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
