Oct, 2022

一种迟来的多模融合模型用于检测混合垃圾邮件

PDF
TL;DR提出了一种新的基于多模融合的文本和图像的混合垃圾邮件过滤系统，该系统利用卷积神经网络 (CNN) 和连续的词袋模型提取图像和文本部分的特征，并使用机器学习分类器来判断垃圾邮件。
hybrid spamocrconvolutional neural networkmachine learningmulti-modal fusion
发现论文，激发创造
  • 使用分层注意力混合深度学习方法进行电子邮件垃圾邮件检测

    本文提出了一种新的基于一种结合了卷积神经网络、带门循环单元和注意机制的技术的邮件垃圾邮件检测方法，该方法利用卷积层逐层提取意义深刻、抽象且具有泛化性的特征，同时包含跨数据集评估。经过交叉数据集评估，本方法优于现有基于注意机制的技术，实现了更灵活的接受域大小的使用。

    Apr, 2022

  • 利用 Transformer 在 Twitter 中多模态检测社交垃圾机器人

    早期检测社交垃圾机器人对于防范传播虚假信息和操控公众意见至关重要。本研究首次使用用户描述字段和图像，采用预训练的视觉模型以及 TwHIN-BERT 来获取文本和图像的表征，并提出了三种不同的融合方法进行多模态融合，并在 Cresci '17 数据集上进行了广泛实验，证明了我们方法在准确率上具有显著优势，达到了 99.98%。

    Aug, 2023

  • 使用 spaCy 构建有效的电子邮件垃圾邮件分类模型

    本研究使用 spaCy 自然语言处理库和三种机器学习算法，其中包括朴素贝叶斯（ Naive Bayes）、决策树 C45 和多层感知器（MLP），来检测从 Gmail 服务中收集的垃圾邮件，并发现多层感知器（MLP）算法的准确率达到了 96％。

    Mar, 2023

  • 文本分类的 12 种机器学习模型的流程和比较研究

    本文介绍了一个基于机器学习文本分类器的新技术管道，并应用于公共垃圾邮件语料库中，优化参数选择和改善预处理阶段中特定方法的模型表现，评估了不同评估指标，如精确度，召回率等，最终发现可在 Enron 数据集上实现 94％的 F-Score，得出关键词包括自然语言处理、垃圾邮件过滤。

    Apr, 2022

  • 研究视觉和文本特征以识别多模态社交媒体模因中的喷子

    本研究介绍了一个基于多模态特征和融合方法的计算模型，使用 XLNet 取得最高的加权 f1 分数 0.58，并在对多模态社交媒体 meme Troll 的分类任务中获得第三名。

    Feb, 2021

  • ARC-NLP 在 2023 年多模态仇恨言论事件检测中的应用：多模态方法增强了集成学习、句法和实体特征

    文本嵌入图像用作传播仇恨言论、宣传和极端主义观点的手段。详情见摘要。

    Jul, 2023

  • 利用自然语言处理技术对电话网络进行短信垃圾检测和分类以打击滥用行为

    提出了利用自然语言处理和机器学习模型（特别是 BERT）进行短信垃圾检测和分类的方法，结果显示使用朴素贝叶斯分类器 + BERT 模型在测试数据集上实现了最高 97.31% 的准确率和最快 0.3 秒的执行时间，从而在短信垃圾检测效率和误报率方面有显著的改进。该模型为对抗短信垃圾提供了有价值的解决方案，不仅保护了用户的隐私，还帮助网络提供商有效识别和屏蔽短信垃圾消息。

    Jun, 2024

  • 利用实体增强框架融合多模态线索提高假新闻检测

    本文围绕多模态虚假新闻检测问题，提出了一种新的提取多模态线索的框架，该框架能够充分地考虑图像文本的三种关系，并在实验证明其优于现有文献的方法。

    Aug, 2021

  • 利用凝聚层次聚类和基于主题的方法对垃圾邮件进行分类

    基于主题的方法用于将垃圾邮件分类为多个类别，作者提出了两个新数据集，对其进行了标记，并评估了不同特征表示技术和分类器的性能。实验结果表明，英语数据集的最佳性能来自使用 TF-IDF 和逻辑回归，而西班牙语数据集的最佳性能来自使用 TF-IDF 和朴素贝叶斯。

    Feb, 2024

  • 探究多模态融合在图像篡改检测与定位中的应用

    通过合并不同滤波器的输出结果，利用图像操作定位和检测中的互补特征和痕迹，我们提出了两种不同的方法：一种是产生独立特征并将它们融合的后期融合方法，另一种是在不同模态输出之间进行早期混合并产生早期合并特征的早期融合方法。我们证明这两种方法在图像操作定位和检测方面的性能均优于现有模型在多个数据集上的表现。

    Dec, 2023