移动应用程序的自动分类,以确保青少年安全使用
1Department of Software Engineering, Jeddah College of Engineering, University of Business and Technology, Jeddah, Saudi Arabia.
PloS one
|January 17, 2025
概括
这项研究引入了一个注意力卷积神经网络 (A-CNN) 来分类移动应用程序 (M-APPs) 并保护青少年在线. 该A-CNN模型实现了88.74%的准确性,在6G互联网时代提高了安全性.
科学领域:
- 计算机科学 计算机科学
- 青少年心理学 青少年心理学
- 网络安全 网络安全
背景情况:
- 移动设备融入青少年生活需要强有力的安全措施.
- 6G互联网技术的进步将使高质量的实时流媒体成为可能,增加暴露风险.
- 准确分类移动应用程序 (M-APPs) 对于内容调节和青少年保护至关重要.
研究的目的:
- 开发和评估一种深度学习模型,根据其对青少年潜在的负面影响对M-APP进行分类.
- 为了提升青少年移动使用的安全性,预期6G网络功能.
- 预测和减轻接触暴力,色情,仇恨言论和网络欺凌等不适当内容的风险.
主要方法:
- 使用深度学习技术,特别是注意力卷积神经网络 (A-CNNs).
- 在A-CNN架构中使用的变压器 (BERT) 嵌入的双向编码器表示.
- 将A-CNNs的性能与其他多种机器和深度学习 (M/DL) 模型进行了比较.
主要成果:
- 拟议的A-CNN模型在M-APP的分类中实现了88.74%的平均准确性.
- 与其他模型相比,A-CNN模型的回忆率从99.33%提高到99.65%.
- 基于BERT嵌入的A-CNN在分类任务中表现优于其他M/DL模型.
结论:
- 注意卷积神经网络为确保青少年移动使用提供了一个有希望的方法.
- 准确的M-APP分类对于保护青少年免受有害在线内容的影响至关重要.
- 开发的A-CNN模型有效地预测了M-APP的潜在负面影响,有助于增强数字安全.
