[論文レビュー] Web spam classification using supervised artificial neural network algorithms

Ashish Chandra, Mohammad Suaib+1 more|arXiv (Cornell University)|Feb 12, 2015

Network Security and Intrusion Detection参考文献 7被引用数 5

ひとこと要約

本論文は、共役勾配法、リラクゼントバックプロパゲーション、レーベンバーグ・マーカート法の3つの最適化アルゴリズムを用いた教師あり人工ニューラルネットワーク（ANN）アプローチを提案し、現代のウェブスパムを分類する。複雑なスパムパターンに対する性能を評価し、レーベンバーグ・マーカート法が最も高い正確性と最も速い収束速度を示した。これは、動的環境における適応的かつ汎用的なウェブスパム検出に有効であることを示している。

ABSTRACT

Due to the rapid growth in technology employed by the spammers, there is a need of classifiers that are more efficient, generic and highly adaptive. Neural Network based technologies have high ability of adaption as well as generalization. As per our knowledge, very little work has been done in this field using neural network. We present this paper to fill this gap. This paper evaluates performance of three supervised learning algorithms of artificial neural network by creating classifiers for the complex problem of latest web spam pattern classification. These algorithms are Conjugate Gradient algorithm, Resilient Backpropagation learning, and Levenberg-Marquardt algorithm.

研究の動機と目的

• 洗練されたウェブスパムの増加する脅威に対処するため、より適応的で汎用的な分類器を開発すること。
• 現代のウェブスパム検出における3つの教師あり人工ニューラルネットワーク学習アルゴリズムの性能を評価すること。
• 複雑で進化を続けるスパムパターンに対処するための最適なANN最適化手法を特定すること。
• この分野における先行研究が限られていることを踏まえ、ニューラルネットワークをウェブスパム分類に応用する研究ギャップを埋めること。

提案手法

• 本研究では、ラベル付きのウェブスパムおよびノンスパムデータを用いた教師あり学習に基づくフィードフォワードマルチレイヤーネットワークアーキテクチャを採用する。
• ニューラルネットワークの学習には、共役勾配法、リラクゼントバックプロパゲーション、レーベンバーグ・マーカート法の3つの最適化アルゴリズムを用いる。
• レーベンバーグ・マーカート法は、誤差関数を効率的に最小化するためにガウス・ニュートン近似を適用する。
• リラクゼントバックプロパゲーションは、各重みごとに局所的勾配の符号に基づいて学習率を調整することで、収束の安定性を向上させる。
• 共役勾配法は、標準的なバックプロパゲーションと比較して収束を加速するための共役方向法を用いる。
• 性能評価には、正確性、収束速度、一般化能力といった標準的な指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 どの教師あり人工ニューラルネットワークアルゴリズムが現代のウェブスパムパターンの分類において最も優れているか？
• RQ2 共役勾配法、リラクゼントバックプロパゲーション、レーベンバーグ・マーカート法は、ウェブスパム検出において収束速度と正確性の点でどのように比較されるか？
• RQ3 ニューラルネットワークベースの分類器は、複雑で進化を続けるスパムパターンに対して十分に一般化できるか？
• RQ4 従来の手法と比較して、ニューラルネットワークはウェブスパムの動的特性にどの程度適応できるか？

主な発見

• レーベンバーグ・マーカート法が、テストした3つのアルゴリズムの中で最高の分類正確性を達成した。
• レーベンバーグ・マーカート法は、最も速い収束速度を示し、学習時間を顕著に短縮した。
• リラクゼントバックプロパゲーションは安定した収束を示したが、レーベンバーグ・マーカート法より遅かった。
• 共役勾配法は、速度と正確性の両面で中程度の性能を示し、バランスが取れていた。
• ニューラルネットワークベースの分類器は、複雑で進化を続けるスパムパターンの処理において、従来手法を上回った。
• 本研究は、教師ありANNが、実世界のウェブスパム分類タスクにおいて非常に効果的かつ適応可能であることを確認した。