Классификатор DistilBERT для выявления фишинговых и спам-писем, в том числе в исследованиях устойчивости к подмене символов и синонимам.
9скачиваний за 30 дней0лайковвеса обновлены11 июл 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
Модель umayer16/distilbert-phishing-email-dataset — классификатор электронных писем на базе DistilBERT, дообученный на наборе данных Phishing Email Dataset для бинарного определения фишинговых и спам-сообщений. Она предназначена для автоматической проверки писем и исследований устойчивости классификаторов к состязательным преобразованиям текста, включая подмену символов на визуально похожие и замену синонимами.
Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. README описывает экспериментальное обучение в течение трёх эпох и оценку базовой точности, но численные результаты не приводит. Веса опубликованы в формате safetensors. Лицензия — MIT.
Сценарии применения
классификация входящих писем на фишинговые и безопасные
фильтрация спам-писем
проверка устойчивости обнаружения фишинга к подмене похожих символов
оценка влияния синонимических замен на классификацию писем
Ограничения
README не приводит численные результаты качества. Указанное ограничение контекста — 512 токенов; поведение на иных языках и типах текстов не подтверждено.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Fine-tuned distilbert-base-uncased for binary phishing/spam classification,
trained on the Phishing Email Dataset dataset as part of an empirical study on
adversarial robustness (homoglyph substitution vs. synonym replacement attacks).
Training: 3 epochs, batch size 32, AdamW, lr=2e-5
Baseline accuracy: see paper Table/Fig. 1
Part of: "Adversarial Robustness of NLP-Based Phishing Email Classifiers:
A Multi-Dataset Empirical Study" (CJSJ 2026, Muktadir Arif)
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров