Порівняльний аналіз моделей трансформаторів та гібридних архітектур у завданнях виявлення фішингового контенту

Abstract

У роботі показано, що використання гібридних архітектур нейронних мереж на основі CNN, LSTM та механізму уваги забезпечує вищу ефективність виявлення фішингового контенту порівняно з моделлю BERT на основі трансформатора. Експериментальний аналіз, проведений з використанням перехресної валідації K-Fold та стандартних метрик оцінки, підтвердив переваги поєднання локального аналізу тексту з довгостроковим моделюванням контексту. Було виявлено, що інтеграція механізму уваги підвищує точність класифікації та повноту, зосереджуючись на найбільш інформативних фрагментах тексту. Отримані результати демонструють потенціал гібридних підходів для побудови практичних систем виявлення фішингових атак.