論文の概要: Phishing the Phishers with SpecularNet: Hierarchical Graph Autoencoding for Reference-Free Web Phishing Detection

• arxiv url: http://arxiv.org/abs/2603.01874v1
• Date: Mon, 02 Mar 2026 13:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.89727
• Title: Phishing the Phishers with SpecularNet: Hierarchical Graph Autoencoding for Reference-Free Web Phishing Detection
• Title（参考訳）: SpecularNetによるフィッシング:参照なしWebフィッシング検出のための階層グラフ自動符号化
• Authors: Tailai Song, Pedro Casas, Michela Meo,
• Abstract要約: SpecularNetは、参照不要なWebフィッシング検出のための新しい軽量フレームワークである。 フィッシングウェブページの高階構造不変量をキャプチャし、標準CPU上で高速でエンドツーエンドの推論を可能にする。 ベンチマークデータセットでは、F1スコアは93.9%に達し、最高の参照ベースのメソッドをわずかに追った。
• 参考スコア（独自算出の注目度）: 1.4095442717677928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phishing remains the most pervasive threat to the Web, enabling large-scale credential theft and financial fraud through deceptive webpages. While recent reference-based and generative-AI-driven phishing detectors achieve strong accuracy, their reliance on external knowledge bases, cloud services, and complex multimodal pipelines fundamentally limits practicality, scalability, and reproducibility. In contrast, conventional deep learning approaches often fail to generalize to evolving phishing campaigns. We introduce SpecularNet, a novel lightweight framework for reference-free web phishing detection that demonstrates how carefully designed compact architectures can rival heavyweight systems. SpecularNet operates solely on the domain name and HTML structure, modeling the Document Object Model (DOM) as a tree and leveraging a hierarchical graph autoencoding architecture with directional, level-wise message passing. This design captures higher-order structural invariants of phishing webpages while enabling fast, end-to-end inference on standard CPUs. Extensive evaluation against 13 state of the art phishing detectors, including leading reference-based systems, shows that SpecularNet achieves competitive detection performance with dramatically lower computational cost. On benchmark datasets, it reaches an F1 score of 93.9%, trailing the best reference-based method slightly while reducing inference time from several seconds to approximately 20 milliseconds per webpage. Field and robustness evaluations further validate SpecularNet in real-world deployments, on a newly collected 2026 open-world dataset, and against adversarial attacks.
• Abstract（参考訳）: フィッシングは依然としてWebにとって最も広範囲にわたる脅威であり、詐欺的なウェブページを通じて大規模なクレデンシャル盗難と金融詐欺を可能にしている。 最近の参照ベースおよび生成AI駆動型フィッシング検出器は高い精度を達成するが、外部知識ベース、クラウドサービス、複雑なマルチモーダルパイプラインに依存しているため、実用性、スケーラビリティ、再現性は基本的に制限されている。 対照的に、従来のディープラーニングアプローチは、進化するフィッシングキャンペーンへの一般化に失敗することが多い。 参照不要なWebフィッシング検出のための新しい軽量フレームワークであるSpecularNetを紹介した。 SpecularNetはドメイン名とHTML構造のみを運用し、Document Object Model(DOM)をツリーとしてモデル化し、階層的なグラフ自動エンコーディングアーキテクチャを指向性、レベルワイドなメッセージパッシングで活用する。 この設計は、標準的なCPU上で高速でエンドツーエンドの推論を可能にしながら、フィッシングWebページの高階構造不変量をキャプチャする。 先導的な参照ベースシステムを含む13の最先端フィッシング検出器に対する広範囲な評価は、SpecularNetが計算コストを劇的に下げて競合検出性能を達成することを示す。 ベンチマークデータセットでは、F1スコアは93.9%に達し、最高の参照ベースの手法をわずかに踏襲し、推論時間を数秒から約20ミリ秒に短縮した。 フィールドとロバスト性の評価は、現実世界のデプロイメント、新たに収集された2026のオープンワールドデータセット、および敵攻撃に対するSpecularNetをさらに検証する。

関連論文リスト

• Benchmarking Large Language Models for Zero-shot and Few-shot Phishing URL Detection [0.0]
  偽のURLは、サイバー犯罪者による生成AIの普及により、前例のない高度化に達している。 フィッシング量は2022年以来4000%以上増加しており、検出を回避している攻撃は50%近く増加している。 我々は、ゼロショットと少数ショットのプロンプトを統一したフレームワークでLLMのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:56:06Z)
• FlashMesh: Faster and Better Autoregressive Mesh Synthesis via Structured Speculation [65.3277633028397]
  FlashMeshは高速かつ高忠実なメッシュ生成フレームワークである。 我々は、FlashMeshが標準の自己回帰モデルよりも最大2倍のスピードアップを達成することを示す。
  論文  参考訳（メタデータ） (2025-11-19T17:03:49Z)
• Semantics and Content Matter: Towards Multi-Prior Hierarchical Mamba for Image Deraining [95.00432497331583]
  画像デライニングのためのマルチPrior Hierarchical Mamba (MPHM) ネットワーク MPHMは、タスクレベルのセマンティックガイダンスのためのマクロセマンティックテキスト先行(CLIP)と、シーン認識構造情報のためのマイクロ構造視覚先行(DINOv2)を統合している。 実験ではMPHMの最先端のパフォーマンスを実証し、Rain200Hデータセットで0.57dBのPSNRゲインを達成した。
  論文  参考訳（メタデータ） (2025-11-17T08:08:59Z)
• PhishLang: A Real-Time, Fully Client-Side Phishing Detection Framework Using MobileBERT [3.014087730099599]
  軽量アンサンブルフレームワーク上に構築された最初の完全なクライアントサイドアンチフィッシングフレームワークであるPhishLangを紹介します。 PhishLangでは、URLとソース検出モデルを組み合わせたマルチモーダルアンサンブルアプローチを採用している。 ChromiumブラウザエクステンションとしてPhishLangをリリースし、研究コミュニティを支援するフレームワークをオープンソース化しました。
  論文  参考訳（メタデータ） (2024-08-11T01:14:13Z)
• PhishNet: A Phishing Website Detection Tool using XGBoost [1.777434178384403]
  PhisNetは最先端のWebアプリケーションで、高度な機械学習を使ってフィッシングサイトを検出するように設計されている。 個人や組織が堅牢なAIフレームワークを通じてフィッシング攻撃を特定し予防することを目的としている。
  論文  参考訳（メタデータ） (2024-06-29T21:31:13Z)
• Position Paper: Think Globally, React Locally -- Bringing Real-time Reference-based Website Phishing Detection on macOS [0.4962561299282114]
  最近のフィッシング攻撃の急増は、従来の反フィッシング・ブラックリストのアプローチの有効性を弱め続けている。 デバイス上でのフィッシング防止ソリューションは、ローカルで高速なフィッシング検出を提供するため、人気が高まっている。 コンピュータビジョンとデバイス上の機械学習モデルを組み合わせてウェブサイトをリアルタイムで分析するフィッシング検出ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-05-28T14:46:03Z)
• Novel Interpretable and Robust Web-based AI Platform for Phishing Email Detection [0.0]
  フィッシングメールは重大な脅威となり、財政的損失とセキュリティ侵害を引き起こしている。 本研究では,メール分類のための高性能機械学習モデルを提案する。 このモデルはf1スコアが0.99に達し、関連するアプリケーションへのデプロイ用に設計されている。
  論文  参考訳（メタデータ） (2024-05-19T17:18:27Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
  境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。 basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。 BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
  論文  参考訳（メタデータ） (2021-01-12T19:20:26Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)
• Dataless Model Selection with the Deep Frame Potential [45.16941644841897]
  ネットワークをその固有の能力で定量化し、ユニークでロバストな表現を行う。 本稿では,表現安定性にほぼ関係するが,ネットワーク構造にのみ依存する最小限のコヒーレンス尺度であるディープフレームポテンシャルを提案する。 モデル選択の基準としての利用を検証するとともに,ネットワークアーキテクチャの多種多様な残差および密結合化について,一般化誤差との相関性を示す。
  論文  参考訳（メタデータ） (2020-03-30T23:27:25Z)

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。