論文の概要: SpamDam: Towards Privacy-Preserving and Adversary-Resistant SMS Spam Detection

• arxiv url: http://arxiv.org/abs/2404.09481v1
• Date: Mon, 15 Apr 2024 06:07:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 13:48:50.455461
• Title: SpamDam: Towards Privacy-Preserving and Adversary-Resistant SMS Spam Detection
• Title（参考訳）: SpamDam: プライバシー保護とアドバイザレスSMSスパム検出を目指す
• Authors: Yekai Li, Rufan Zhang, Wenxin Rong, Xianghang Mi,
• Abstract要約: SpamDamはSMSスパムの検出と理解において重要な課題を克服するために設計されたSMSスパム検出フレームワークである。 われわれは2018年から2023年にかけて、TwitterとWeiboから76万件以上のSMSスパムメッセージを収集した。 我々は、SMSスパム検出モデルの対角的堅牢性を厳格に検証し、新しいリバースバックドア攻撃を導入した。
• 参考スコア（独自算出の注目度）: 2.0355793807035094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we introduce SpamDam, a SMS spam detection framework designed to overcome key challenges in detecting and understanding SMS spam, such as the lack of public SMS spam datasets, increasing privacy concerns of collecting SMS data, and the need for adversary-resistant detection models. SpamDam comprises four innovative modules: an SMS spam radar that identifies spam messages from online social networks(OSNs); an SMS spam inspector for statistical analysis; SMS spam detectors(SSDs) that enable both central training and federated learning; and an SSD analyzer that evaluates model resistance against adversaries in realistic scenarios. Leveraging SpamDam, we have compiled over 76K SMS spam messages from Twitter and Weibo between 2018 and 2023, forming the largest dataset of its kind. This dataset has enabled new insights into recent spam campaigns and the training of high-performing binary and multi-label classifiers for spam detection. Furthermore, effectiveness of federated learning has been well demonstrated to enable privacy-preserving SMS spam detection. Additionally, we have rigorously tested the adversarial robustness of SMS spam detection models, introducing the novel reverse backdoor attack, which has shown effectiveness and stealthiness in practical tests.
• Abstract（参考訳）: 本研究では,公衆のSMSスパムデータセットの欠如,SMSデータの収集に関するプライバシー上の懸念の高まり,敵に抵抗する検出モデルの必要性など,SMSスパムの検出と理解において重要な課題を克服するために設計されたSMSスパム検出フレームワークであるSpamDamを紹介する。 SpamDamは、オンラインソーシャルネットワーク(OSN)からのスパムメッセージを識別するSMSスパムレーダー、統計分析のためのSMSスパムインスペクタ、中央トレーニングとフェデレーション学習の両方を可能にするSMSスパム検出器(SSD)、現実的なシナリオにおける敵に対するモデル抵抗を評価するSSDアナライザの4つの革新的なモジュールで構成されている。 SpamDamを活用して、2018年から2023年にかけてTwitterとWeiboから76万件以上のSMSスパムメッセージを収集した。 このデータセットは、最近のスパムキャンペーンに対する新たな洞察と、スパム検出のための高性能なバイナリおよびマルチラベル分類器のトレーニングを可能にした。 さらに,フェデレート学習の有効性が実証され,プライバシー保護型SMSスパム検出が可能となった。 さらに,SMSスパム検出モデルの対角的堅牢性を厳格に検証し,新しいリバースバックドア攻撃を導入した。

関連論文リスト

• SMS Spam Detection and Classification to Combat Abuse in Telephone Networks Using Natural Language Processing [0.0]
  この研究は、ユーザのプライバシーとセキュリティに脅威をもたらすSMSスパムの広範にわたる問題に対処する。 本研究では、自然言語処理(NLP)と機械学習モデル、特にスパム検出と分類にBERT(Bidirectional Representations from Transformers)を利用した新しいアプローチを提案する。 評価の結果、Na"ive Bayes + BERT"モデルは97.31%の精度で、テストデータセットでは0.3秒で実行された。
  論文  参考訳（メタデータ） (2024-06-04T13:44:36Z)
• ExplainableDetector: Exploring Transformer-based Language Modeling Approach for SMS Spam Detection with Explainability Analysis [2.849988619791745]
  近年、SMSスパムの数は大幅に増加している。 SMSデータの非構造化フォーマットは、SMSスパム検出に重大な課題をもたらす。 我々は、スパムメッセージ検出の問題を解決するために、最適化および微調整された変換器ベース大規模言語モデル(LLM)を用いる。
  論文  参考訳（メタデータ） (2024-05-12T11:42:05Z)
• Evaluating the Performance of ChatGPT for Spam Email Detection [9.585304538597414]
  本研究は,ChatGPTの英語および中国語のメールデータセットにおけるスパム識別能力を評価することを目的とする。 In-context Learning を用いたスパムメール検出にはChatGPT を用いる。 また,実演回数がChatGPTの性能に与える影響についても検討した。
  論文  参考訳（メタデータ） (2024-02-23T04:52:08Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• Spam Detection Using BERT [0.0]
  BERT事前学習モデルを用いてスパム検知器を構築し,そのコンテキストを理解することで電子メールやメッセージの分類を行う。 スパム検出性能は98.62%,97.83%,99.13%,99.28%であった。
  論文  参考訳（メタデータ） (2022-06-06T09:09:40Z)
• Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
  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。
  論文  参考訳（メタデータ） (2021-10-10T17:19:37Z)
• MOST: A Multi-Oriented Scene Text Detector with Localization Refinement [67.35280008722255]
  シーンテキスト検出のための新しいアルゴリズムを提案し、テキストローカリゼーションの品質を大幅に向上させる一連の戦略を提案する。 具体的には,テキスト・フィーチャー・アライメント・モジュール (TFAM) を提案し,特徴の受容領域を動的に調整する。 信頼できないものを排除するために、位置認識非最大抑制(PA-NMS)モジュールを考案する。
  論文  参考訳（メタデータ） (2021-04-02T14:34:41Z)
• Robust and Verifiable Information Embedding Attacks to Deep Neural Networks via Error-Correcting Codes [81.85509264573948]
  ディープラーニングの時代、ユーザは、サードパーティの機械学習ツールを使用して、ディープニューラルネットワーク(DNN)分類器をトレーニングすることが多い。 情報埋め込み攻撃では、攻撃者は悪意のあるサードパーティの機械学習ツールを提供する。 本研究では,一般的なポストプロセッシング手法に対して検証可能で堅牢な情報埋め込み攻撃を設計することを目的とする。
  論文  参考訳（メタデータ） (2020-10-26T17:42:42Z)
• TextHide: Tackling Data Privacy in Language Understanding Tasks [54.11691303032022]
  TextHideは、トレーニングを遅くしたり、精度を下げることなく、プライバシー上のリスクを軽減する。 すべての参加者は、盗聴攻撃者がプライベートテキストデータを復元するのを防ぐために、簡単な暗号化ステップを追加する必要がある。 我々は、GLUEベンチマーク上でTextHideを評価し、TextHideが共有勾配や表現に対する攻撃を効果的に防御できることを示す。
  論文  参考訳（メタデータ） (2020-10-12T22:22:15Z)
• Robust Spammer Detection by Nash Reinforcement Learning [64.80986064630025]
  我々は,スパマーとスパム検知器が互いに現実的な目標を競うミニマックスゲームを開発する。 提案アルゴリズムは,スパマーが混在するスパマーが実用目標を達成するのを確実に防止できる平衡検出器を確実に見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-10T21:18:07Z)
• DeepQuarantine for Suspicious Mail [0.0]
  DeepQuarantine(DQ)は、潜在的なスパムメッセージを検出し、隔離するクラウド技術である。 隔離されたメールのほとんどはスパムであり、クライアントは遅滞なくメールを使用できる。
  論文  参考訳（メタデータ） (2020-01-13T11:32:58Z)

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。