数字垃圾邮件的历史
通过对推特社交垃圾邮件的研究，发现社交垃圾邮件的崛起并不被 Twitter 和人类所能够准确检测，提出需要新的方法来解决这一问题，并且将对集体行为的分析作为一种新型的检测方式。
Jan, 2017
本文介绍一种基于时间的方法，对在线消费者评论进行实时监测，并利用精心选择的指示性信号，设计有效的技术来检测和描述不正常事件，该方法适用于两个不同评论网站的数据集，且快速、有效、实用，可在现实世界的系统中部署。
Mar, 2016
本研究结合心理学和计算语言学的工作，研究了欺骗性意见垃圾信息的检测，提出三种方法并开发出在黄金标准意见垃圾信息数据集上准确率接近 90% 的分类器，还进行了特征分析并揭示了欺骗性意见与想象写作之间的关系。
Jul, 2011
利用映射垃圾邮件检测程序为网络中的分类问题的异构信息网络，提高了垃圾邮件特征的重要性，证明该方法在 Yelp 和 Amazon 等真实评论数据集上优于现有方法，其中除其他类别外，评论行为类别的特征表现得更好。
Mar, 2017
本研究提出一种新方法将机器学习与消息传递算法相结合，采用主动学习方式进行标签采样，用于判别评论者是垃圾评论者还是正常评论者，并在三大真实数据集中进行实验，证明其在机器学习方法和标签数据较少情况下性能优越。
May, 2022
本研究报道了在 2010 年美国选举期间发生了一个名为 Twitter-bomb 的有组织虚假信息传播事件，并总结了虚假信息在社交网络中传播的路径；然后以 2016 年美国总统选举为例，描述了虚假信息在 Facebook 等社交媒体上的传播，并就如何提高社区研究对社会问题的影响力展开了讨论。
Mar, 2017
本研究通过谱聚类方法识别社区中存在高行为相似性的 Email 地址收集者，透露了垃圾邮件发送者之间的社交网络，并确定了垃圾邮件发送者的行为特征。发现大多数垃圾邮件发送者要么只发送网络钓鱼邮件，要么根本不发送，社区内的大多数垃圾邮件发送者也只发送网络钓鱼邮件或根本不发送，部分垃圾邮件发送者组也表现出了一致的时间行为和相似的 IP 地址。
Apr, 2013
为了防止 Deepfakes 对个人和社会生活造成的危害并应对未来的网络安全问题，我们提出了构建完整的防范和治理框架的必要性，其中有新型的虚假信息传播理论框架的支撑，并列举了当前面临的问题和挑战。
Mar, 2022
我们设计了在垃圾邮件过滤中的后门攻击，通过揭示机器学习模型供应链上的潜在漏洞，突出了在垃圾邮件过滤器中使用的模型需要进行仔细考虑和评估的需求。我们的结果表明，后门攻击可以有效地用于发现垃圾邮件过滤器的漏洞，并提出了对该领域的持续监测和改进的需求。
Jul, 2023