研究发现：网络钓鱼检测模型易受对抗性攻击

一项新近发表在 arXiv 上的研究，比较了两种机器学习模型——TF-IDF + Logistic Regression 和微调后的 DistilBERT transformer——在检测网络钓鱼邮件方面的有效性。虽然两种模型在标准测试数据上均达到了超过 98% 的准确率，但在受到旨在规避检测的对抗性攻击时，它们的性能显著下降。TF-IDF + LR 模型的准确率降至 64.00%，DistilBERT 模型降至 63.64%，这表明它们对对抗性操纵具有相似的脆弱性。该研究强调，对抗性测试应成为网络钓鱼检测评估的标准组成部分，因为在干净数据上的准确率并不能预测其对抗此类攻击的鲁棒性。 AI

影响 强调了在人工智能模型（尤其是在网络安全应用中）的鲁棒性评估中，对抗性攻击的重要性。

排序理由 该集群包含一篇学术论文，详细介绍了用于特定任务的机器学习模型的比较研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• DistilBERT
• Logistic Regression
• Shap
• TF-IDF

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →