语义优势 vs. 法学效率：深度学习与心理语言学在商业邮件诈骗检测中的比较分析
机器学习
2026-04-07 v4 密码学与安全
摘要
商业邮件诈骗(BEC)是一种高影响力的社交工程威胁，具有极端的运营不对称：假阴性结果可能引发巨额财务损失，而假阳性主要导致调查成本和延迟。本文在以成本为导向的决策框架下，比较两种 BEC 检测范式：(i) 用于上下文语言理解的语义变换器方法(DistilBERT)，和(ii) 使用工程化语言和结构线索的法学心理语言学方法(CatBoost)。我们在混合数据集(N = 7,990)上进行评估，该数据集组合了合法企业邮件和跨 30 类 BEC 分类生成的人工智能合成的对抗性欺诈邮件，包括字符级 Unicode 隐写。我们添加了经典基线(TF-IDF+LogReg 和字符 n 元组+线性 SVM)，对 Smiling Assassin Score 进行消融研究，以及对同形字-映射敏感性分析。DistilBERT 在 GPU 上每封邮件 7.403 毫秒，实现 AUC = 1.0000 和 F1 = 0.9981；CatBoost 在 CPU 上每封邮件 0.855 毫秒，实现 AUC = 0.9860 和 F1 = 0.9382。在 1:5,167 的假阴性到假阳性成本比下，三阶段成本敏感决策策略(自动放行、自动屏蔽、人工审核)可优化预期财务损失。
引用
@article{arxiv.2511.20944,
title = {Semantic Superiority vs. Forensic Efficiency: A Comparative Analysis of Deep Learning and Psycholinguistics for Business Email Compromise Detection},
author = {Yaw Osei Adjei and Frederick Ayivor},
journal= {arXiv preprint arXiv:2511.20944},
year = {2026}
}
备注
8 pages, 10 figures, 8 tables. Accepted to the 7th IEEE Silicon Valley Cybersecurity Conference (SVCC 2026), San Jose, CA, USA, June 10-12, 2026