人与机器：AutoML与人类专家在钓鱼检测中的角色
机器学习
2021-08-30 v1 密码学与安全
摘要
机器学习（ML）在过去几年中迅速发展，并已成功用于包括钓鱼检测在内的广泛任务。然而，构建一个有效的基于ML的检测系统并非易事，需要具备相关领域知识的数据科学家。自动化机器学习（AutoML）框架近年来备受关注，使非ML专家也能构建机器学习模型。这带来了一个引人深思的问题：AutoML是否能超越人类数据科学家所取得的成果。我们的论文比较了六种知名的、最先进的AutoML框架在十个不同钓鱼数据集上的表现，以考察基于AutoML的模型是否能超越手工打造的机器学习模型。我们的结果表明，在复杂分类任务中，特别是在特征区分度不高、类别重叠或非线性程度相对较高的数据集中，基于AutoML的模型能够超越人工开发的机器学习模型。在使用AutoML框架构建真实世界钓鱼检测系统时仍存在挑战，因为当前仅支持监督分类问题，导致需要标注数据，且无法增量更新基于AutoML的模型。这表明具备钓鱼和网络安全领域知识的专家在钓鱼检测流程中仍然不可或缺。
引用
@article{arxiv.2108.12193,
title = {Man versus Machine: AutoML and Human Experts' Role in Phishing Detection},
author = {Rizka Purwanto and Arindam Pal and Alan Blair and Sanjay Jha},
journal= {arXiv preprint arXiv:2108.12193},
year = {2021}
}