論文の概要: Evaluating and Combating the Impact of Concept Drift on the Performance of Machine Learning-Based Phishing Detection Systems

• arxiv url: http://arxiv.org/abs/2606.11471v1
• Date: Tue, 09 Jun 2026 22:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.191911
• Title: Evaluating and Combating the Impact of Concept Drift on the Performance of Machine Learning-Based Phishing Detection Systems
• Title（参考訳）: 機械学習によるフィッシング検出システムの性能に及ぼすコンセプトドリフトの影響評価と検討
• Authors: Warren Fernando, Nikos Komninos,
• Abstract要約: スパムメールは、メール技術の登場以来、メールユーザーにとって継続的な課題となっている。 マルウェアによる攻撃の初期段階であるフィッシングは急速に進化している。 マルウェアやスパムドメイン内の悪意のある活動を検出するために広く採用されているアプローチは、機械学習の応用である。 本研究の目的は,スパムメール領域内の進化がこれらの機械学習に基づく検出システムに与える影響を評価することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The expansion of the digital domain has resulted in a substantial increase in digital communication, with email emerging as one of the most prominent channels. The proliferation of email communication is apparent in both professional and personal contexts, thereby creating numerous vulnerabilities for malicious actors to exploit. Spam emails, a form of unsolicited correspondence often bearing malicious intent towards recipients, have been an ongoing challenge for email users since the inception of email technology, and this problem has been exacerbated by the growth of the digital landscape. Email spam filters are integral components of email clients, engineered to identify potentially harmful messages and alert users to their malicious content. Phishing, frequently the initial phase of malware-based attacks, is evolving rapidly, with malware becoming increasingly sophisticated over time. A widely adopted approach for detecting malicious activity within malware and spam domains is the application of machine learning. Our aim is to assess the impact of the evolution within the spam email domain on these machine learning-based detection systems and to explore strategies for mitigating associated performance degradation.
• Abstract（参考訳）: デジタルドメインの拡張により、デジタル通信が大幅に増加し、電子メールが最も重要なチャネルの1つとして浮上した。 電子メール通信の拡散は、プロフェッショナルと個人の両方の文脈で明らかであり、悪質なアクターが悪用する多数の脆弱性を生み出している。 スパムメールは、しばしば受信者に対して悪意のある意図を抱く、孤立していない通信形態であり、電子メール技術の導入以来、メールユーザーにとって継続的な課題であり、この問題はデジタル景観の成長によって悪化している。 電子メールスパムフィルターは電子メールクライアントの不可欠なコンポーネントであり、潜在的に有害なメッセージを識別し、悪意のあるコンテンツをユーザーに警告する。 マルウェアベースの攻撃の初期段階であるフィッシングは急速に進化しており、マルウェアは時間とともに洗練されつつある。 マルウェアやスパムドメイン内の悪意のある活動を検出するために広く採用されているアプローチは、機械学習の応用である。 本研究の目的は,スパムメール領域内の進化がこれらの機械学習に基づく検出システムに与える影響を評価し,関連する性能劣化を緩和するための戦略を検討することである。

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)
• Evaluating the Efficacy of Large Language Models in Identifying Phishing Attempts [2.6012482282204004]
  何十年にもわたるサイバー犯罪戦術であるフィッシングは、今日のデジタル世界において大きな脅威となっている。 本稿では,15大言語モデル (LLM) がフィッシング手法の検出に有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-23T19:55:18Z)
• 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)
• Phishing and Spear Phishing: examples in Cyber Espionage and techniques to protect against them [91.3755431537592]
  フィッシング攻撃は、2012年以降、サイバー攻撃の91%以上を突破し、オンライン詐欺で最も使われているテクニックとなっている。 本研究は, フィッシングとスピア・フィッシングによる攻撃が, 結果を大きくする5つのステップを通じて, フィッシングとスピア・フィッシングによる攻撃の実施方法についてレビューした。
  論文  参考訳（メタデータ） (2020-05-31T18:10:09Z)
• Learning with Weak Supervision for Email Intent Detection [56.71599262462638]
  本稿では,メールの意図を検出するために,ユーザアクションを弱い監視源として活用することを提案する。 メール意図識別のためのエンドツーエンドの堅牢なディープニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-05-26T23:41:05Z)

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。