Дообученная DistilBERT-модель для бинарной классификации электронных писем как фишинговых или спамных.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
DistilBERT Phishing Classifier — Enron Spam — модель классификации текста на базе distilbert-base-uncased, дообученная автором umayer16 для бинарного распознавания фишинговых и спам-писем. Она предназначена для анализа текста электронных писем и экспериментов по оценке устойчивости классификаторов к подмене символов-гомоглифов и замене слов синонимами. Модель обучалась три эпохи на наборе Enron Spam с AdamW и размером пакета 32; архитектура — DistilBertForSequenceClassification, формат весов — safetensors, максимальный контекст — 512 токенов.
Лицензия — MIT. README отсылает за базовой точностью к таблице или рисунку статьи, поэтому конкретные показатели качества по карточке определить нельзя.
Карточка не приводит численных метрик качества; результаты базовой точности отсылаются к статье. Контекст ограничен 512 токенами, а обучение описано на наборе Enron Spam.
README от автора на Hugging Face, как он его опубликовал
Fine-tuned distilbert-base-uncased for binary phishing/spam classification,
trained on the Enron Spam dataset as part of an empirical study on
adversarial robustness (homoglyph substitution vs. synonym replacement attacks).
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…