Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

GCC-Spam: Detección de spam mediante GAN, aprendizaje contrastivo y redes de similitud de caracteres

Created by
  • Haebom

Autor

Zhijie Wang, Zixin Xu, Zhiyuan Pan

Describir

Este artículo destaca la necesidad de un mecanismo de detección robusto para mitigar los riesgos de fuga de información e inestabilidad social debido al crecimiento exponencial de los mensajes de spam en internet. Para ello, proponemos GCC-Spam, un novedoso marco de detección de mensajes de spam que aborda dos desafíos principales: las estrategias adversarias de los spammers y la falta de datos etiquetados. GCC-Spam integra redes de similitud de caracteres, aprendizaje contrastivo y redes generativas adversarias (GAN) para mejorar la resistencia a los ataques de ofuscación de caracteres y lograr una alta precisión incluso en situaciones con datos limitados. Los resultados experimentales con conjuntos de datos reales muestran que GCC-Spam alcanza tasas de detección más altas que los métodos existentes y, especialmente, un buen rendimiento incluso con una pequeña cantidad de datos etiquetados.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un modelo de detección de spam que es robusto frente a ataques de ofuscación de texto.
◦
Presentar una estrategia de aprendizaje efectiva que logra un alto rendimiento incluso en entornos de datos limitados (utilizando aprendizaje contrastivo y GAN).
◦
Validar la superioridad del modelo basándose en resultados experimentales utilizando conjuntos de datos reales.
•
Limitations:
◦
Es necesaria una mayor validación del rendimiento de generalización del modelo propuesto.
◦
Es necesario realizar una evaluación más profunda del rendimiento de detección para diferentes tipos de textos spam.
◦
Necesidad de analizar los problemas de calidad de los datos generados que pueden surgir del uso de GAN.
👍
Made with Slashpage