Enhanced Detection of Text and Image Spam Using Cost-Sensitive Deep Learning
Notice bibliographique
Résumé
In the realm of unwanted digital content, image spam presents a distinct challenge, characterized by its evasion of traditional text-based filters.This study introduces an advanced approach for the classification of image spam through the deployment of hybrid, cost-sensitive machine learning techniques.Images laden with spam (unwanted content) and benign images (ham) are distinguished by employing a combination of textual and visual data, which enriches the interpretative depth of the analysis.By integrating multi-modal features, resilience against fluctuations in input data and noise is significantly improved.The synthesis of textual context and visual elements enables robust generalization across similar instances while compensating for variations in verbal descriptions, thus maintaining consistent model performance in diverse conditions.A novel methodology is presented wherein cost-sensitive (CS) learning is applied to optimize both feature representations and classifier parameters concurrently, using a deep convolutional neural network (CNN) integrated with a support vector machine (SVM) model.This cost-effective strategy is designed to address class imbalances and refine intermediate feature representations, facilitating rapid adaptation to class-dependent costs.The proposed CSCNN-SVM model is evaluated using the ISH dataset, demonstrating superior performance with an accuracy rate of 98.05%, an AUC of 99.01%, and a computational testing duration of one to two seconds.Furthermore, a variety of machine learning techniques including Logistic Regression, Random Forest, Decision Trees, K Nearest Neighbors, Gaussian Naive Bayes, AdaBoost, and Linear SVM are employed.Utilizing the Spam Hunter Dataset, which consists of real spam emails, these algorithms have proven effective in identifying both text and image spam, achieving comparable levels of accuracy.This innovative, hybrid model not only enhances the detection capabilities of spam classifiers but also contributes significantly to the broader field of digital content management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».