論文の概要: Semantic Superiority vs. Forensic Efficiency: A Comparative Analysis of Deep Learning and Psycholinguistics for Business Email Compromise Detection

• arxiv url: http://arxiv.org/abs/2511.20944v1
• Date: Wed, 26 Nov 2025 00:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.909252
• Title: Semantic Superiority vs. Forensic Efficiency: A Comparative Analysis of Deep Learning and Psycholinguistics for Business Email Compromise Detection
• Title（参考訳）: セマンティック・スーパーオリティ対法医学的効率:ビジネスメールの競合検出のための深層学習と心理言語学の比較分析
• Authors: Yaw Osei Adjei,
• Abstract要約: Business Email Compromise (BEC) は高度な社会工学の脅威である。 BECは年次調整損失として29億ドルを計上している。 本稿では,BECの2つの検出パラダイムについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Business Email Compromise (BEC) is a sophisticated social engineering threat that manipulates organizational hierarchies and exploits psychological vulnerabilities, leading to significant financial damage. According to the 2024 FBI Internet Crime Report, BEC accounts for over $2.9 billion in annual adjusted losses, presenting significant economic asymmetry: the cost of a False Negative (fraud loss) exceeds the cost of a False Positive (manual review) by orders of magnitude (approximately 1 to 5,480). This paper examines two detection paradigms for BEC: the Forensic Psycholinguistic Stream, which utilizes CatBoost to analyze psycholinguistic cues with high interpretability and low latency, and the Semantic Stream, which employs DistilBERT for deep learning-based contextual language understanding, offering superior accuracy at higher computational cost. We evaluated DistilBERT on an adversarially poisoned dataset (N = 7,990) generated via our Black Hole protocol, benchmarked on Tesla T4 GPU infrastructure, achieving superior detection (AUC = 1.0000, F1 = 0.9981) with acceptable real-time latency (7.403 milliseconds). CatBoost achieves competitive detection (AUC = 0.9905, F1 = 0.9486) at 8.4x lower latency (0.885 milliseconds), consuming negligible computational resources. For organizations with GPU infrastructure, DistilBERT offers superior accuracy. CatBoost is preferable for edge deployments or cost-sensitive environments due to comparable security and lower operational costs. Both approaches demonstrate return on investment exceeding 99.96% when optimized through cost-sensitive learning, by significantly reducing false negatives and associated financial losses.
• Abstract（参考訳）: ビジネスメール妥協(Business Email Compromise、BEC)は、組織的階層を操り、心理的脆弱性を悪用する高度な社会工学的脅威であり、大きな経済的損害をもたらす。 2024年の米連邦捜査局(FBI)のインターネット犯罪報告書によると、BECは年間29億ドル(約2兆3000億円)の損失を計上しており、経済的非対称性が顕著である: 偽陰性(詐欺的損失)のコストは、偽陽性(手動レビュー)のコストを桁違いに上回っている(約1～5,480ドル)。 本稿では,CataBoostを用いて高い解釈性と低レイテンシで心理言語学的な手がかりを解析するForensic Psycholinguistic Streamと,深層学習に基づく文脈言語理解にDistilBERTを用いるSemantic Streamの2つのパラダイムについて検討する。 我々は、Tesla T4 GPUインフラストラクチャ上でベンチマークしたブラックホールプロトコルによって生成された逆毒データセット(N = 7,990)を用いて、DistilBERTを評価し、許容リアルタイムレイテンシ(7.403ミリ秒)で優れた検出(AUC = 1.0000, F1 = 0.9981)を実現した。 CatBoostは競合検出(AUC = 0.9905, F1 = 0.9486)を8.4倍低レイテンシ(0.885ミリ秒)で達成し、無視可能な計算資源を消費する。 GPUインフラストラクチャを持つ企業にとって、DistilBERTはより優れた精度を提供する。 CatBoostは、セキュリティと運用コストの低さから、エッジデプロイメントやコストに敏感な環境に適している。 どちらのアプローチも、コスト感受性学習によって最適化された投資が99.96%を超えることを実証している。

関連論文リスト

• LLM-Powered Detection of Price Manipulation in DeFi [12.59175486585742]
  分散ファイナンス(DeFi)のスマートコントラクトは数十億ドルを管理し、エクスプロイトの主要なターゲットとなっている。 価格操作の脆弱性は、しばしばフラッシュローンを通じて発生し、壊滅的な攻撃の類である。 本稿では,静的解析とLarge Language Model(LLM)に基づく推論を組み合わせたハイブリッドフレームワークPMDetectorを提案する。
  論文  参考訳（メタデータ） (2025-10-24T09:13:30Z)
• When Does Supervised Training Pay Off? The Hidden Economics of Object Detection in the Era of Vision-Language Models [0.0]
  監督されたYOLOの精度は91.2%、ジェミニでは68.5%、標準カテゴリーでは71.3%である。 Geminiは52.3%、GPT-4 55.1%を達成しているが、教師なしのクラスは検出できない。
  論文  参考訳（メタデータ） (2025-10-13T11:48:48Z)
• Causal Digital Twins for Cyber-Physical Security: A Framework for Robust Anomaly Detection in Industrial Control Systems [0.0]
  現在の異常検出法は相関解析に頼っている。 中規模ICSにおけるサイバー物理セキュリティのための新しいCausal Digital Twin(CDT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T12:36:25Z)
• Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
  本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。 我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
  論文  参考訳（メタデータ） (2025-07-16T17:54:14Z)
• Probabilistically Tightened Linear Relaxation-based Perturbation Analysis for Neural Network Verification [83.25968588249776]
  本稿では,LiRPAに基づく手法とサンプリングに基づく手法を組み合わせることで,厳密な中間到達性集合を計算できる新しいフレームワークを提案する。 無視可能な計算オーバーヘッドでは、$textttPT-LiRPA$は推定された到達可能な集合を利用し、ニューラルネットワークの出力の上下線形境界を著しく締め付ける。
  論文  参考訳（メタデータ） (2025-07-07T18:45:53Z)
• Smart Contract Fuzzing Towards Profitable Vulnerabilities [10.908512696717724]
  VERITEは利益中心のスマートコントラクトファジィフレームワークである。 悪質な脆弱性を検出し、悪用された利益を最大化する。 合計で1800万ドル以上を抽出でき、検出と悪用の両方で最先端のファズーであるITYFUZZよりはるかに優れている。
  論文  参考訳（メタデータ） (2025-01-15T14:38:18Z)
• Of Dice and Games: A Theory of Generalized Boosting [61.752303337418475]
  我々は、コスト感受性と多目的損失の両方を組み込むために、ブースティングの有名な理論を拡張した。 我々は、コスト感受性と多目的強化の包括的理論を開発し、弱い学習保証の分類を提供する。 我々の特徴付けは、昇降の幾何学的解釈に依存しており、コスト感受性と多目的損失の間の驚くべき等価性を明らかにしている。
  論文  参考訳（メタデータ） (2024-12-11T01:38:32Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• Probabilistically Robust Learning: Balancing Average- and Worst-case Performance [105.87195436925722]
  我々は、正確で不安定な平均ケースと頑健で保守的な最悪のケースのギャップを埋める、堅牢性確率というフレームワークを提案する。 理論的には、このフレームワークはパフォーマンスと最悪のケースと平均ケース学習のサンプル複雑さの間のトレードオフを克服する。
  論文  参考訳（メタデータ） (2022-02-02T17:01:38Z)

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。