Adaptive Online Learning for Real-Time Spam Filtering in the Music Industry
Notice bibliographique
Résumé
Spam detection has evolved significantly with deep learning models such as LSTM networks, resulting in considerable advances in recognizing spam in online environments. However, present solutions are limited to offline training on static datasets and have not been adapted for continuous use in live systems. This study presents an adaptive online learning framework for real-time spam filtering that continuously updates its model with streaming data, addressing the challenge of evolving spam patterns. The proposed framework uses the Keras framework and is deployed on the MusicBrainz platform for the dynamic detection of existing and newly added spam types. Experimental assessments on realworld and synthetic datasets show a significant increase in detection accuracy and adaptability compared to typical batchtrained models. To classify editor accounts in real-time, we created and implemented a REST API that utilizes an LSTM neural network and is continuously enhanced by incorporating fresh feedback. The algorithm continuously improves its accuracy and resilience as it gets knowledge from real-time data and adjusts to new spam trends. This method's practical impact and scalability are demonstrated by its ability to remove 50,000100,000 spam accounts from the MusicBrainz platform and proactively handle future spam threats. In order to increase anti-spam resistance and broaden adaptability, future research will extend this online learning framework to other real-time applications within MetaBrainz, investigating strategies such as online transfer learning.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».