論文の概要: Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text

• arxiv url: http://arxiv.org/abs/2110.15718v1
• Date: Sun, 10 Oct 2021 17:19:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 16:08:51.072432
• Title: Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text
• Title（参考訳）: deep convolutional forest: テキスト中のスパム検出のための動的深層アンサンブルアプローチ
• Authors: Mai A. Shaaban (1), Yasser F. Hassan (2), and Shawkat K. Guirguis (3) ((1) Department of Mathematics and Computer Science, Faculty of Science, Alexandria University, Alexandria, Egypt, (2) Faculty of Computers and Data Science, Alexandria University, Alexandria, Egypt, (3) Institute of Graduate Studies and Research, Alexandria University, Alexandria, Egypt)
• Abstract要約: 本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
• 参考スコア（独自算出の注目度）: 219.15486286590016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increase in people's use of mobile messaging services has led to the spread of social engineering attacks like phishing, considering that spam text is one of the main factors in the dissemination of phishing attacks to steal sensitive data such as credit cards and passwords. In addition, rumors and incorrect medical information regarding the COVID-19 pandemic are widely shared on social media leading to people's fear and confusion. Thus, filtering spam content is vital to reduce risks and threats. Previous studies relied on machine learning and deep learning approaches for spam classification, but these approaches have two limitations. Machine learning models require manual feature engineering, whereas deep neural networks require a high computational cost. This paper introduces a dynamic deep ensemble model for spam detection that adjusts its complexity and extracts features automatically. The proposed model utilizes convolutional and pooling layers for feature extraction along with base classifiers such as random forests and extremely randomized trees for classifying texts into spam or legitimate ones. Moreover, the model employs ensemble learning procedures like boosting and bagging. As a result, the model achieved high precision, recall, f1-score and accuracy of 98.38%.
• Abstract（参考訳）: モバイルメッセージングサービスの利用の増加は、スパムテキストが、クレジットカードやパスワードなどの機密データを盗むためにフィッシング攻撃を広める主な要因の1つであると考え、フィッシングのようなソーシャルエンジニアリング攻撃の広がりにつながった。 また、新型コロナウイルスのパンデミックに関する噂や誤った医療情報がソーシャルメディアで広くシェアされており、人々の恐れや混乱につながっている。 したがって、スパムコンテンツをフィルタリングすることは、リスクや脅威を減らすために不可欠である。 これまでの研究は、スパム分類のための機械学習とディープラーニングアプローチに依存していたが、これらのアプローチには2つの制限がある。 機械学習モデルは手動の機能エンジニアリングを必要とするが、ディープニューラルネットワークは高い計算コストを必要とする。 本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 提案モデルでは,特徴抽出のための畳み込み層とプール層と,ランダム林や極端ランダム化木などの基本分類器を用いて,テキストをスパムや正当なものに分類する。 さらに,ブースティングや袋詰めなどのアンサンブル学習手順も採用している。 その結果、モデルの精度、リコール、f1スコア、精度は98.38%に達した。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Adapting to Cyber Threats: A Phishing Evolution Network (PEN) Framework for Phishing Generation and Analyzing Evolution Patterns using Large Language Models [10.58220151364159]
  フィッシングはいまだに広範囲にわたるサイバー脅威であり、攻撃者は詐欺メールを使って被害者を誘惑し、機密情報を暴露している。 人工知能(AI)はフィッシング攻撃に対する防御において重要な要素となっているが、これらのアプローチは重大な制限に直面している。 本稿では,大規模言語モデル (LLM) と対向学習機構を活用するフレームワークであるPhishing Evolution Network (PEN) を提案し,高品質で現実的なフィッシングサンプルを連続的に生成する。
  論文  参考訳（メタデータ） (2024-11-18T09:03:51Z)
• Do You Trust Your Model? Emerging Malware Threats in the Deep Learning Ecosystem [37.650342256199096]
  ニューラルネットワークに自己抽出型自己実行型マルウェアを組み込むテクニックであるMaleficNet 2.0を紹介する。 MaleficNet 2.0インジェクションテクニックはステルス性があり、モデルのパフォーマンスを低下させることなく、除去テクニックに対して堅牢である。 我々は、MaleficNet 2.0を用いた概念実証型自己抽出ニューラルネットワークマルウェアを実装し、広く採用されている機械学習フレームワークに対する攻撃の実用性を実証した。
  論文  参考訳（メタデータ） (2024-03-06T10:27:08Z)
• Deep Learning-Based Speech and Vision Synthesis to Improve Phishing Attack Detection through a Multi-layer Adaptive Framework [1.3353802999735709]
  現在のアンチフィッシング法は、攻撃者が採用する高度化戦略のために、複雑なフィッシングに対して脆弱なままである。 本研究では,Deep LearningとRandon Forestを組み合わせて,画像の読み上げ,ディープフェイクビデオからの音声合成,自然言語処理を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-27T06:47:52Z)
• What to Remember: Self-Adaptive Continual Learning for Audio Deepfake Detection [53.063161380423715]
  既存の検出モデルは、既知のディープフェイク音声を識別することに成功したが、新しい攻撃タイプに遭遇する際には苦労している。 本稿では,Radian Weight Modification (RWM) と呼ばれる連続的な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T09:52:17Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Modeling Coherency in Generated Emails by Leveraging Deep Neural Learners [6.891238879512674]
  高度な機械学習と自然言語技術により、攻撃者は高度でターゲットを絞ったソーシャルエンジニアリングベースの攻撃を起動できる。 被害者を騙すために標的とするメールを使ったメールの偽造は、高度な攻撃方法である。 深層モデルを用いた短文・目標文の生成を実演する。
  論文  参考訳（メタデータ） (2020-07-14T23:47:08Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)
• Cyber Attack Detection thanks to Machine Learning Algorithms [0.0]
  本稿では、ネットワーク内の悪意のあるトラフィックを分類する能力を調べることによって、機械学習を実現可能なソリューションとして検討する。 提案手法は,共通ボットネットを含むNetFlowデータセットに対して,5種類の機械学習アルゴリズムを解析する。 ランダムフォレストは13のシナリオのうち8つで95%以上のボットネットを検出し、最も難しいデータセットでは55%以上を検知することに成功した。
  論文  参考訳（メタデータ） (2020-01-17T13:52:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。