Van der Waerden Rank Score Kullanan Destek Vektör Makineleri ile Spam Sınıflandırması Dikkat

Summary

Bu çalışma, yüksek boyutlu seyrek spam verilerinin zorluklarını ele almayı ve spam tespitinin sınıflandırma performansını iyileştirmeyi amaçlayan, Van der Waerden sıralama puanı geliştirilmiş özellik dikkat mekanizmasıyla entegre Destek Vektör Makinesine dayalı yenilikçi bir yaklaşım önermektedir.

Abstract

E-posta kullanımı arttıkça spam, ağ güvenliğini tehdit eden ve iletişim verimliliğini azaltan kritik bir sorun haline geldi. Geleneksel tespit yöntemleri kalıcı sınırlamalarla karşı karşıyadır: Geleneksel makine öğrenimi modelleri genellikle yüksek boyutlu seyrek verilerle mücadele ederken, derin öğrenme önemli miktarda hesaplama kaynağı gerektirir.

Bu çalışma, bu sorunları ele almak için bir Van der Waerden sıralama puanı özelliği olan dikkati artırılmış Destek Vektör Makinesi'ni (VWR-Attn-SVM) tanıtmaktadır. Yöntem, metin özelliklerini normalleştirmek, aykırı değerlere karşı sağlamlığı artırmak ve sıralı ilişkileri korumak için Van der Waerden sıralama dönüşümünü uygular. Gelişmiş bir dikkat mekanizması, spam tespitiyle en alakalı özellikleri vurgulayarak, düzenlileştirme ile doğrusal olmayan işleme yoluyla özellik seçimini daha da optimize eder.

UCI Spambase ve Endonezya Spam veri kümeleri üzerinde yapılan deneyler, VWR-Attn-SVM'nin doğruluk, kesinlik, geri çağırma, F1 puanı ve AUC açısından geleneksel sınıflandırıcılardan daha iyi performans gösterdiğini göstermektedir. Yüksek performansı azaltılmış hesaplama maliyetiyle birleştiren yöntem, spam sınıflandırması için etkili ve yorumlanabilir bir çözüm sunar ve mesajlaşma ve sosyal medya gibi diğer metin tabanlı platformlara potansiyel olarak genişletilebilir.

Introduction

İnternetin ve dijital teknolojilerin hızlı gelişimi ile karakterize edilen çağdaş dijital çağda, anlık mesajlaşma ve sosyal medya platformlarının sürekli ortaya çıkmasına ve yeniliğine rağmen, e-posta elektronik işlemler ve kurumsal iletişim alanlarında vazgeçilmez bir temel taşı olmaya devam etmiştir¹. Zamansal ve mekansal sınırları aşma yeteneği, ona benzersiz avantajlar kazandırıyor ve dünya çapında her an kesintisiz iletişime olanak tanıyor. Ancak bu kapsamlı benimseme, acil ve zararlı bir soruna, yani spam'in yaygın yayılmasına yol açtı. Kötü niyetli aktörler, büyük miktarlarda istenmeyen ticari reklamlar, kötü amaçlı yazılımlar ve yasa dı....

Protocol

1. Deneysel hazırlık (Ek Dosya 2 ve Ek Dosya 3)

1. Veri açıklaması: Spam e-posta algılama³⁰ için UCI Machine Learning Repository'den açık kaynaklı spam veri kümesini yükleyin. Veri kümesinin, 1.813 spam (9,4) ve 2.788 spam olmayan (`,6) örnek dahil olmak üzere 57 sürekli özellik ve 1 sınıf etiketine sahip 4.601 örnek içerdiğini belgeleyin (Tablo 1).
2. Kitaplık içe aktarma
   1. Temel kitaplıkları içe aktarın ( Malzeme Tablosuna bakın).
   2. Sonuçların tekrarlanabilirliğini sağlamak için genel bir rastgele çekirdeği 42 olarak ayarlayın....

Results

Başlangıç olarak, yerleşik deneysel protokole göre, Şekil 1 bu çalışmanın genel akış şemasına genel bir bakış sunmaktadır. Şekil 2, Deney 2'nin çalışma akış şemalarını sırayla göstermektedir. Ek olarak, Tablo 1 öncelikle spam e-posta veri kümesi spam.csv içindeki kelime ve karakter sıklıklarını sunmaktadır.

Model performans değerlendirmesiyle ilgili olarak beş temel ölçüm kullanıldı: doğruluk, kesinlik, geri çağırma, .......

Discussion

Bu çalışma, Spambase veri setine dayalı olarak VWR-Attn-SVM'nin etkinliğini doğruladı ve spam verilerinin yüksek boyutlu ve seyrek doğasını ele almak için içgörüler sağladı. Deneyler, spam verilerindeki yalnızca birkaç özelliğin etiketlerle güçlü bir korelasyona sahip olduğunu ortaya çıkardı; Geleneksel modeller tüm özelliklere eşit davranarak performansın düşmesine neden olurken, bu modelin dikkat mekanizması temel özellikleri dinamik olarak ağırlıklandırabilir. Van der Waerden (VWR) sı.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Ek Dosya 2: code_new.py; Ek Dosya 3: code_indonesian.py.
numpy	NumPy Geliştiricileri		Python'da sayısal hesaplama için kütüphane
Pandalar	pandas Geliştirme Ekibi		Veri işleme ve analiz kütüphanesi
matplotlib	Matplotlib Geliştiriciler		Statik, animasyonlu ve etkileşimli görselleştirmeler oluşturmak için kütüphane
Seaborn	Michael Waskom ve diğerleri.		Matplotlib tabanlı istatistiksel veri görselleştirme kütüphanesi
scikit-learn	scikit-learn Geliştirici Ekibi		Çeşitli sınıflandırma, regresyon ve kümeleme algoritmaları içeren makine öğrenimi kütüphanesi
tensor flow	Google		Açık kaynaklı makine öğrenimi çerçevesi, sinir ağları oluşturmak için Keras API'si dahil
imblearn	dengesiz-öğren Geliştiriciler		Dengesiz veri setlerini işlemek için kütüphane, oversampling için SMOTE dahil
Uyarı	Python Standart Kütüphanesi		Uyarı mesajları vermek için modül
Ek Dosya 4: code_compute_time.py
numpy	NumPy Geliştiricileri		Python için sayısal hesaplama kütüphanesi
Pandalar	pandas Geliştirme Ekibi		Veri işleme ve analiz kütüphanesi
matplotlib	Matplotlib Geliştiricileri		Hikaye ve şekiller oluşturmak için görselleştirme kütüphanesi
Seaborn	Michael Waskom ve diğerleri.		Matplotlib üzerine inşa edilmiş istatistiksel veri görselleştirme kütüphanesi
scikit-learn	scikit-learn Geliştirici Ekibi		Sınıflandırma, regresyon ve ön işleme araçları içeren makine öğrenimi kütüphanesi
tensor flow	Google		Sinir ağları için Keras API ile açık kaynaklı makine öğrenimi çerçevesi
imblearn	dengesiz-öğren Geliştirici Ekibi		Dengesiz veri setlerini işlemek için kütüphane (SMOTE dahil)
Uyarı	Python Standart Kütüphanesi		Uyarı mesajları vermek için modül
Saat	Python Standart Kütüphanesi		Zamanla ilgili fonksiyonlar için modül
Psutil	Giampaolo Rodola		Sistem bilgisini almak ve kaynak kullanımını izlemek için kütüphane
işletim sistemi	Python Standart Kütüphanesi		İşletim sistemiyle etkileşim için modül
Ek Dosya 5: DNN.py.
Pandalar	pandas Geliştirme Ekibi		Veri işleme ve analiz kütüphanesi
numpy	NumPy Geliştiricileri		Python için sayısal hesaplama kütüphanesi
Saat	Python Standart Kütüphanesi		Zamanla ilgili fonksiyonlar için modül
Psutil	Giampaolo Rodola		Sistem bilgi alımı ve kaynak izleme için kütüphane
matplotlib	Matplotlib Geliştiricileri		Hikaye ve şekiller oluşturmak için görselleştirme kütüphanesi
scikit-learn	scikit-learn Geliştirici Ekibi		Veri ön işleme, model seçimi ve metrik araçlarıyla makine öğrenimi kütüphanesi
imblearn	dengesiz-öğren Geliştirici Ekibi		Dengesiz veri setlerini işlemek için kütüphane (SMOTE dahil)
tensor flow	Google		Sinir ağları oluşturmak için Keras API'si ile açık kaynak makine öğrenimi çerçevesi