使用优化和微调的基于 Transformer 的大型语言模型解决短信垃圾信息检测问题，通过预处理技术、文本扩增技术解决数据噪声和类别不平衡问题，实验结果显示我们的优化微调 BERT 模型 RoBERTa 在短信垃圾信息检测任务中获得 99.84% 的高准确率，并采用可解释人工智能（XAI）技术探索和解释模型的透明性，对比了传统机器学习模型和基于 Transformer 的模型性能，描述了大型语言模型在信息安全领域中对复杂文本垃圾数据的积极影响。

May, 2024

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

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

本文利用预训练的 Google 的 Bidirectional Encoder Representations from Transformers (BERT) 基础未大写模型，基于自我注意机制，并通过四个数据集高效分类垃圾邮件和非垃圾邮件，训练了一种通用的垃圾邮件检测模型，并取得了不错的性能。

Feb, 2022

利用基于 BERT 模型的 IPSDM 模型，本文首次尝试将大型语言模型应用于检测钓鱼邮件和垃圾邮件，取得了更好的分类效果，并为改善信息系统安全迈出重要的第一步。

Nov, 2023

本文介绍了利用深度学习方法来检测虚假的评论，并提出了使用多层感知器（MLP）、卷积神经网络（CNN）和长短时记忆（LSTM）的变体等方法，同时也应用了传统的机器学习分类器，如朴素贝叶斯（NB）、K 近邻（KNN）和支持向量机（SVM），并对两种不同分类器的性能进行了比较。

Nov, 2022

这篇论文介绍了一种名为 Smart Expert System 的创新方法，利用大型语言模型作为文本分类器，简化了传统的文本分类工作流程，通过评估多个大型语言模型、机器学习算法和神经网络结构在四个数据集上的性能，证明了某些大型语言模型在情感分析、垃圾短信检测和多标签分类方面超过了传统方法，并且通过少样本学习和微调策略进一步提高了系统的性能，使得微调模型在所有数据集中表现最佳。

May, 2024

我们介绍了 SpamDam，一个 SMS 垃圾信息检测框架，旨在克服检测和理解 SMS 垃圾信息的关键挑战，包括缺乏公共 SMS 垃圾数据集，收集 SMS 数据的隐私问题，以及对抗对抗性检测模型的需求。

Apr, 2024

机器学习和自然语言处理可以通过预测实时的恐怖袭击来帮助打击恐怖主义，本研究通过使用社交网络文本来提取必要信息建立合适的恐怖袭击预测数据集，实验发现现有解决方案在地点识别方面准确率较低，我们的解决方案得以解决，并将扩展解决方案以提取日期和行动信息来实现项目目标。

Aug, 2023

本论文通过提出 AbuseGPT 方法展示了现有生成式人工智能聊天机器人服务如何被攻击者利用在现实世界中创建短信网络钓鱼文本，最终导致更加狡猾的短信网络钓鱼活动，并探讨了一些未来的研究方向和指导方针来保护生成式人工智能服务的滥用以及保护用户免受短信网络钓鱼攻击。

Feb, 2024