通过对比采样与不确定性估计学习鲁棒表示以检测恶意内容
机器学习
2025-12-11 v1 人工智能
摘要
我们提出了不确定性对比框架（UCF），一个正-无标签（PU）表示学习框架，集成了不确定性感知的对比损失、自适应温度缩放和自注意力引导的 LSTM 编码器，以改善在噪声和不平衡条件下的分类。UCF 根据样本置信度动态调整对比权重，通过正样本锚点稳定训练，并自适应温度参数以适应批次级别的变化。应用于恶意内容分类，UCF 生成的嵌入使多个传统分类器实现了超过 93.38% 的准确率、精确率高于 0.93 以及接近完美的召回率，同时具有极少的假阴性和有竞争力的 ROC-AUC 分数。可视化分析确认了正样本和无标签实例之间的清晰分离，突显了该框架生成校准良好、具有判别力的嵌入的能力。这些结果使 UCF 成为 PU 学习在高风险领域（如网络安全和生物医学文本挖掘）中的一项稳健且可扩展的解决方案。
引用
@article{arxiv.2512.08969,
title = {Learning Robust Representations for Malicious Content Detection via Contrastive Sampling and Uncertainty Estimation},
author = {Elias Hossain and Umesh Biswas and Charan Gudla and Sai Phani Parsa},
journal= {arXiv preprint arXiv:2512.08969},
year = {2025}
}