// AI 新闻 · 2026-10-31 · Nature
CSqL-m-H2LA-GRBiTM模型用于短信钓鱼检测
研究人员提出了一种基于分类平方损失的多头层次位置注意力机制的门控循环单元与双向长短期记忆网络（CSqL-m-H2LA-GRBiTM），用于提升短信钓鱼消息的检测能力。该模型通过捕捉空间和时间特征，增强对复杂模式的识别效率，并利用m-H2LA机制聚焦关键信息以提高可解释性。
原文发布 2026-10-31 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
模型采用CSqL损失函数，在最大化分类分离的同时进行概率校准，并对跨越安全边界误分类行为施加强惩罚，从而提升检测鲁棒性。在两个短信钓鱼数据集上测试，分别达到98.36%的准确率、96.84%的F1分数和5.09的log-loss；在K折10交叉验证下，对应指标分别为98.43%、97.41%和5.23，显著优于传统方法。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 模型结合多头层次位置注意力机制，提升对短信内容中空间与时间特征的捕捉能力。
- 引入分类平方损失函数，在分类分离与概率校准间取得平衡，并强化安全边界误判惩罚。
- 在两个短信钓鱼数据集上实现高准确率和F1分数，验证了其在实际检测中的有效性。
- 模型通过聚焦关键消息特征，增强了检测结果的可解释性。
03原文出处
Nature · 发布于 2026-10-31 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-10-31 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日