Los correos no deseados o comúnmente conocidos como spam, a día de hoy son un problema para los usuarios y empresas de correo electrónico, no solo para la seguridad y privacidad de los usuarios, sino que estos usuarios y empresas también invierten tiempo y recursos para combatir contra ellos.
En este trabajo se compararan los mejores métodos para la clasificación de dicho spam para disminuir este uso de tiempo y recursos, mediante redes neuronales como LSTM, GRU y una arquitectura de red neuronal bastante reciente, los Transformer.
Demostrando así el uso de estos métodos pueden llegar a ser bastante efectivos en el uso de clasificación de spam.
Abstract:
Unsolicited emails, commonly known as spam, are a problem for email users and companies today, affecting not only for users security and privacy but also requiring them to invest time and resources to combat it.
This work will compare the best methods for classifying such spam to reduce the use of time and resources. Through the use of neuaral networks like LSTM, GRU, and a relatively recent neural network architecture, the Transformer, this study aims to demonstrate how these methods can be highly effective in spam classification.
Los correos no deseados o comúnmente conocidos como spam, a día de hoy son un problema para los usuarios y empresas de correo electrónico, no solo para la seguridad y privacidad de los usuarios, sino que estos usuarios y empresas también invierten tiempo y recursos para combatir contra ellos.
En este trabajo se compararan los mejores métodos para la clasificación de dicho spam para disminuir este uso de tiempo y recursos, mediante redes neuronales como LSTM, GRU y una arquitectura de red neuronal bastante reciente, los Transformer.
Demostrando así el uso de estos métodos pueden llegar a ser bastante efectivos en el uso de clasificación de spam.
Abstract:
Unsolicited emails, commonly known as spam, are a problem for email users and companies today, affecting not only for users security and privacy but also requiring them to invest time and resources to combat it.
This work will compare the best methods for classifying such spam to reduce the use of time and resources. Through the use of neuaral networks like LSTM, GRU, and a relatively recent neural network architecture, the Transformer, this study aims to demonstrate how these methods can be highly effective in spam classification. Read More
Related posts:
Estudio y prototipo exploratorio para el análisis, detección y predicción de patrones oscuros web con reconocimiento de imágenes
Enhancing urban air quality predictions with Temporal Fusion Transformers: a methodological evaluation
Plan de recuperación muscular para corredores populares de larga distancia
Comparación del desempeño de Transfer Learning en Transformers Visuales para la clasificación de imágenes de satélite
Optimización del tiempo de espera y el tiempo en transporte en una red de transporte
Sistemas de criptografía a lo largo de la historia