基于meta-learner的框架用于可解释的电子邮件垃圾邮件检测
Meghana Kshirsagar1,2, Vedant Rathi3, Conor Ryan1,2
1Biocomputing Developmental Systems Research Group, Department of Computer Science and Information Systems, University of Limerick, Limerick, Ireland.
Frontiers in artificial intelligence
|November 6, 2025
概括
一个新的meta-learner显著改善了垃圾邮件电子邮件的分类. 这种先进的模型优于传统的机器学习和深度学习方法,为现实应用提供更强大,更有效的垃圾邮件过.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 电子邮件仍然是一个关键的通信道,但受到普遍的垃圾邮件的挑战.
- 有效的垃圾邮件分类对于高效的数字通信和用户体验至关重要.
研究的目的:
- 开发和评估用于垃圾邮件电子邮件分类的新型元学习器.
- 将元学习者的表现与传统的机器学习 (ML) 和深度学习 (DL) 模型进行比较.
- 评估各种词嵌入,矢量化方案和模型架构对垃圾邮件检测的影响.
主要方法:
- 开发了一个新的meta-learner,并与五个ML和五个DL垃圾邮件分类器进行了比较.
- 对Enron-Spam和TREC 2007数据集进行了性能评估,包括混合数据集.
- 超学习者的预测与个别模型预测相对应.
主要成果:
- 在混合数据集上,meta-learner实现了卓越的性能,准确度为0.9905,AUC为0.9991.
- 它的性能优于现有的最先进的模型,包括唯一的其他元学习垃圾邮件检测模型.
- 在对未见数据的零射击设置中,它实现了0.8970的垃圾邮件敏感度和0.7605的AUC.
结论:
- 超级学习为垃圾邮件过提供了一个强大的,抗偏见的方法,适合于现实世界的部署.
- 结合多样化的模型优势,增强了对不断变化的垃圾邮件策略的弹性.
- 拟议的meta-learner提供了更好的准确性,概括性和计算效率.
