論文の概要: Enhancing Phishing Detection in Financial Systems through NLP

• arxiv url: http://arxiv.org/abs/2507.04426v1
• Date: Sun, 06 Jul 2025 15:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.177012
• Title: Enhancing Phishing Detection in Financial Systems through NLP
• Title（参考訳）: NLPによるファイナンシャルシステムにおけるフィッシング検出の強化
• Authors: Novruz Amirov, Leminur Celik, Egemen Ali Caner, Emre Yurdakul, Fahri Anil Yerlikaya, Serif Bahtiyar,
• Abstract要約: 金融システムにおけるフィッシング攻撃の脅威は、継続的に増大している。 ブラックリストやホワイトリストなど、いくつかの既存の方法がフィッシングの試みを検出する上で重要な役割を果たしている。 本稿では,フィッシングメール検出のための自然言語処理(NLP)手法を提案する。
• 参考スコア（独自算出の注目度）: 2.9687381456164004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The threat of phishing attacks in financial systems is continuously growing. Therefore, protecting sensitive information from unauthorized access is paramount. This paper discusses the critical need for robust email phishing detection. Several existing methods, including blacklists and whitelists, play a crucial role in detecting phishing attempts. Nevertheless, these methods possess inherent limitations, emphasizing the need for the development of a more advanced solution. Our proposed solution presents a pioneering Natural Language Processing (NLP) approach for phishing email detection. Leveraging semantic similarity and TFIDF (Term Frequency-Inverse Document Frequency) analysis, our solution identifies keywords in phishing emails, subsequently evaluating the semantic similarities with a dedicated phishing dataset, ultimately contributing to the enhancement of cybersecurity and NLP domains through a robust solution for detecting phishing threats in financial systems. Experimental results show the accuracy of our phishing detection method can reach 79.8 percent according to TF-IDF analysis, while it can reach 67.2 percent according to semantic analysis.
• Abstract（参考訳）: 金融システムにおけるフィッシング攻撃の脅威は、継続的に増大している。 したがって、機密情報を不正アクセスから保護することが最重要である。 本稿では,ロバストなメールフィッシング検出の必要性について論じる。 ブラックリストやホワイトリストなど、いくつかの既存の方法がフィッシングの試みを検出する上で重要な役割を果たしている。 しかしながら、これらの方法には固有の制限があり、より高度なソリューションの開発の必要性を強調している。 提案手法は, フィッシングメール検出のための自然言語処理 (NLP) 手法の先駆的提案である。 本手法は, ファイッシングメールにおける意味的類似性とTFIDF(Term Frequency-Inverse Document Frequency)分析を利用して, フィッシングメール中のキーワードを識別し, フィッシングデータセットを用いて意味的類似性を評価し, 最終的にファイッシング脅威を検出する堅牢なソリューションによるサイバーセキュリティとNLPドメインの強化に寄与する。 TF-IDF分析ではフィッシング検出の精度は79.8%,セマンティック分析では67.2%であった。

関連論文リスト

• EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
  EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。 既存のディープラーニング技術と同等ですが、説明性が向上しています。 自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
  論文  参考訳（メタデータ） (2025-03-22T23:37:35Z)
• Enhancing Phishing Email Identification with Large Language Models [0.40792653193642503]
  フィッシングメールの検出における大規模言語モデル(LLM)の有効性について検討した。 実験により, LLMは高精度で高い精度を達成することが示された。
  論文  参考訳（メタデータ） (2025-02-07T08:45:50Z)
• PEEK: Phishing Evolution Framework for Phishing Generation and Evolving Pattern Analysis using Large Language Models [10.455333111937598]
  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。 深層学習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。 フィッシングメールデータセットの質と多様性を向上するためのPEEK(Phishing Evolution FramEworK)を提案する。
  論文  参考訳（メタデータ） (2024-11-18T09:03:51Z)
• Automated Phishing Detection Using URLs and Webpages [35.66275851732625]
  LLMエージェントフレームワークの開発により,従来の参照型フィッシング検出の制約に対処する。 このエージェントは、Large Language Modelsを利用して、積極的にオンライン情報を取得し、活用する。 我々の手法は0.945の精度で達成され、既存の解(DynaPhish)を0.445で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-03T05:08:27Z)
• An Innovative Information Theory-based Approach to Tackle and Enhance The Transparency in Phishing Detection [23.962076093344166]
  フィッシングアタックローカライゼーションのための革新的な深層学習手法を提案する。 本手法は,メールデータの脆弱性を予測するだけでなく,最も重要なフィッシング関連情報を自動的に学習し,発見する。
  論文  参考訳（メタデータ） (2024-02-27T00:03:07Z)
• Prompted Contextual Vectors for Spear-Phishing Detection [41.26408609344205]
  スパイアフィッシング攻撃は重大なセキュリティ上の課題を示す。 本稿では,新しい文書ベクトル化手法に基づく検出手法を提案する。 提案手法は, LLM生成したスピアフィッシングメールの識別において, 91%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2024-02-13T09:12:55Z)
• SoK: Human-Centered Phishing Susceptibility [4.794822439017277]
  フィッシングの検出と防止に人間がどう関わっているかを説明する3段階のフィッシング・サセプティビリティ・モデル(PSM)を提案する。 このモデルは、ユーザの検出性能を改善するために対処する必要があるいくつかの研究ギャップを明らかにする。
  論文  参考訳（メタデータ） (2022-02-16T07:26:53Z)
• 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)

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。