PHISHREV: Apprendimento Automatico Ibrido e Ragionamento Non-Monotono per il Rilevamento di Phishing
PHISHREV, un innovativo framework ibrido, integra classificatori di apprendimento automatico con ragionamento non-monotono tramite Answer Set Programming (ASP) per migliorare il rilevamento di siti web di phishing. Un componente di ragionamento post-hoc aggiusta le previsioni del classificatore attraverso revisioni formali delle credenze, portando a una modifica del 5,08% degli output per una maggiore coerenza. Questo sistema consente l'integrazione di nuove conoscenze di dominio in tempo O(n) senza necessità di riaddestramento. La ricerca affronta le debolezze dei modelli ML statistici, che spesso mancano di ragionamento contestuale e sono suscettibili ad attacchi avversari.
Fatti principali
- PHISHREV integra l'apprendimento automatico con il ragionamento non-monotono utilizzando Answer Set Programming (ASP).
- Il livello di ragionamento post-hoc modifica il 5,08% degli output del classificatore.
- Nuove conoscenze di dominio possono essere aggiunte in tempo O(n) senza riaddestramento del modello.
- Il framework affronta la mancanza di ragionamento contestuale nei modelli ML statistici.
- Il sistema è progettato per essere robusto contro la manipolazione avversaria.
- Il livello di ragionamento utilizza revisioni formali delle credenze per affinare le previsioni.
- L'approccio consente un raffinamento decisionale sensibile al contesto.
- L'articolo è pubblicato su arXiv sotto Computer Science > Artificial Intelligence.
Entità
Istituzioni
- arXiv