論文の概要: EvoMail: Self-Evolving Cognitive Agents for Adaptive Spam and Phishing Email Defense

• arxiv url: http://arxiv.org/abs/2509.21129v1
• Date: Thu, 25 Sep 2025 13:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.927907
• Title: EvoMail: Self-Evolving Cognitive Agents for Adaptive Spam and Phishing Email Defense
• Title（参考訳）: EvoMail: 適応スパムとフィッシングメール防衛のための自己進化型認知エージェント
• Authors: Wei Huang, De-Tian Chu, Lin-Yuan Bai, Wei Kang, Hai-Tao Zhang, Bo Li, Zhi-Mo Han, Jing Ge, Hai-Feng Lin,
• Abstract要約: スパムやフィッシングの堅牢な検出のための自己進化型認知エージェントフレームワークであるEvoMailを提案する。 LLM(Large Language Model)によって強化された認知グラフニューラルネットワークは、調整されたスパムキャンペーンを特定するためにソース間でコンテキスト認識推論を実行する。 EvoMailは、検出精度、スパム戦術の進化への適応性、推論の解釈性において、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 17.641328361395143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern email spam and phishing attacks have evolved far beyond keyword blacklists or simple heuristics. Adversaries now craft multi-modal campaigns that combine natural-language text with obfuscated URLs, forged headers, and malicious attachments, adapting their strategies within days to bypass filters. Traditional spam detection systems, which rely on static rules or single-modality models, struggle to integrate heterogeneous signals or to continuously adapt, leading to rapid performance degradation. We propose EvoMail, a self-evolving cognitive agent framework for robust detection of spam and phishing. EvoMail first constructs a unified heterogeneous email graph that fuses textual content, metadata (headers, senders, domains), and embedded resources (URLs, attachments). A Cognitive Graph Neural Network enhanced by a Large Language Model (LLM) performs context-aware reasoning across these sources to identify coordinated spam campaigns. Most critically, EvoMail engages in an adversarial self-evolution loop: a ''red-team'' agent generates novel evasion tactics -- such as character obfuscation or AI-generated phishing text -- while the ''blue-team'' detector learns from failures, compresses experiences into a memory module, and reuses them for future reasoning. Extensive experiments on real-world datasets (Enron-Spam, Ling-Spam, SpamAssassin, and TREC) and synthetic adversarial variants demonstrate that EvoMail consistently outperforms state-of-the-art baselines in detection accuracy, adaptability to evolving spam tactics, and interpretability of reasoning traces. These results highlight EvoMail's potential as a resilient and explainable defense framework against next-generation spam and phishing threats.
• Abstract（参考訳）: 現代のメールスパムやフィッシング攻撃は、キーワードのブラックリストや単純なヒューリスティックスを超えた進化を遂げている。 広告主は、自然言語テキストと難読化URL、偽ヘッダー、悪意のあるアタッチメントを組み合わせたマルチモーダルキャンペーンを数日以内に実施し、フィルターをバイパスする。 静的ルールや単一モダリティモデルに依存する従来のスパム検出システムは、異種信号の統合や継続的な適応に苦慮しているため、性能が急速に低下する。 スパムやフィッシングの堅牢な検出のための自己進化型認知エージェントフレームワークであるEvoMailを提案する。 EvoMailはまず、テキストコンテンツ、メタデータ(ヘッダ、送信者、ドメイン)、組み込みリソース(URL、アタッチメント)を融合する統一された異種メールグラフを構築する。 LLM(Large Language Model)によって強化された認知グラフニューラルネットワークは、これらのソース間でコンテキスト認識推論を行い、協調したスパムキャンペーンを特定する。 エージェントは文字難読化やAI生成のフィッシングテキストなどの新しい回避戦術を生成し、一方'blue-team'検出器は障害から学び、経験をメモリモジュールに圧縮し、将来の推論のために再利用する。 実世界のデータセット(Enron-Spam, Ling-Spam, SpamAssassin, TREC)と合成逆数変種に関する大規模な実験は、EvoMailが検出精度、スパム戦術の進化への適応性、および推論トレースの解釈性において、最先端のベースラインを一貫して上回っていることを示した。 これらの結果は、次世代スパムやフィッシング脅威に対するレジリエントで説明可能な防御フレームワークとしてのEvoMailの可能性を強調している。

関連論文リスト

• LLM-Powered Intent-Based Categorization of Phishing Emails [0.0]
  本稿では,Large Language Models (LLMs) の実践的可能性について検討し,その意図に焦点をあててフィッシングメールを検出する。 LLMによって運用されている意図型分類を導入し、メールを異なるカテゴリに分類し、行動可能な脅威情報を生成する。 以上の結果から,既存のLCMではフィッシングメールの検出と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-17T09:21:55Z)
• MultiPhishGuard: An LLM-based Multi-Agent System for Phishing Email Detection [3.187381965457262]
  MultiPhishGuardは動的マルチエージェント検出システムである。 本フレームワークでは, 政策最適化強化学習アルゴリズムを用いて, 自動決定重み付けを行う5つの協調エージェントを用いる。 実験により、MultiPhishGuardは偽陽性(2.73%)と偽陰性率(0.20%)で高い精度(97.89%)を達成することが示された。
  論文  参考訳（メタデータ） (2025-05-26T23:27:15Z)
• EPhishCADE: A Privacy-Aware Multi-Dimensional Framework for Email Phishing Campaign Detection [11.200645222578363]
  通常電子メールで行われるフィッシング攻撃は、重要なサイバーセキュリティの脅威である。 我々は、bf Email bf Phishing bf CAmpaign bf DEtectionのための最初のプライバシ対応フレームワークであるbf EPhishCADEを提案する。
  論文  参考訳（メタデータ） (2025-02-28T00:58:42Z)
• Next-Generation Phishing: How LLM Agents Empower Cyber Attackers [10.067883724547182]
  フィッシングメールのエスカレートする脅威は、Large Language Models(LLMs)の台頭により、ますます洗練されつつある。 攻撃者はLSMを利用して、より説得力があり回避的なフィッシングメールを作成するため、現在のフィッシング防御のレジリエンスを評価することが不可欠である。 我々は、Gmail Spam Filter、Apache SpamAssassin、Proofpointなどの従来のフィッシング検出と、SVM、Logistic Regression、Naive Bayesといった機械学習モデルに関する包括的な評価を行います。 以上の結果から,全検知器にまたがるリフレッシュメールの検出精度は著しく低下し,現在のフィッシング防御における重大な弱点が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-11-21T06:20:29Z)
• White-box Multimodal Jailbreaks Against Large Vision-Language Models [61.97578116584653]
  本稿では,テキストと画像のモダリティを併用して,大規模視覚言語モデルにおけるより広範な脆弱性のスペクトルを利用する,より包括的戦略を提案する。 本手法は,テキスト入力がない場合に,逆画像プレフィックスをランダムノイズから最適化し,有害な応答を多様に生成することから始める。 様々な有害な指示に対する肯定的な反応を誘発する確率を最大化するために、対向テキスト接頭辞を、対向画像接頭辞と統合し、共最適化する。
  論文  参考訳（メタデータ） (2024-05-28T07:13:30Z)
• 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)
• Email Summarization to Assist Users in Phishing Identification [1.433758865948252]
  サイバーフィッシング攻撃は、特定の情報や手がかりが存在する場合にのみ、トレーニングデータによってより正確で、標的になり、調整される。 この研究は、トランスフォーマーベースの機械学習を活用して、将来的な心理的トリガーを分析する。 次に、この情報をアマルゲイトし、ユーザーに提示し、電子メールが「フィシー」なのか(ii)自己学習した先進的な悪意あるパターンなのかを簡単に判断できるようにします。
  論文  参考訳（メタデータ） (2022-03-24T23:03:46Z)
• 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)
• 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)

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。