Tiefe Glaubensnetzwerke zur Spam-Filterung

Dieses Papier schlägt einen neuartigen Ansatz zur Spam-Filterung vor, der auf der Verwendung von tiefen Glaubensnetzwerken (DBNs) basiert. Im Gegensatz zu herkömmlichen Feedforward-Neuronalen Netzwerken mit ein oder zwei verborgenen Schichten sind DBNs Feedforward-Neuronale Netzwerke mit vielen verborgenen Schichten. Bis vor kurzem war unklar, wie man die Gewichte tiefer neuronaler Netzwerke initialisieren sollte, was zu schlechten Lösungen mit geringen Generalisierungsfähigkeiten führte. Ein gieriger, schichtweise unüberwachter Algorithmus wurde kürzlich vorgeschlagen, um dieses Problem mit erfolgreichen Ergebnissen anzugehen. In dieser Arbeit präsentieren wir eine Methodik zur Spam-Erkennung basierend auf DBNs und bewerten deren Leistung anhand von drei weit verbreiteten Datensätzen. Wir vergleichen auch unsere Methode mit Support Vector Machines (SVMs), die den Stand der Technik in Bezug auf die Klassifikationsleistung zur Spam-Filterung darstellen. Unsere Experimente zeigen, dass die Verwendung von DBNs zur Filterung von Spam-E-Mails eine praktikable Methodik ist, da sie ähnliche oder sogar bessere Ergebnisse als SVMs in allen drei Datensätzen erzielen.