Analyse hiérarchique et multimodale en utilisant l’apprentissage profond pour la détection de spams

Tari, Mahdi (2024). Analyse hiérarchique et multimodale en utilisant l’apprentissage profond pour la détection de spams. Mémoire. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 87 p.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

Avec la croissance de l’utilisation de la messagerie électronique et des réseaux sociaux, le spam est devenu un défi majeur. Avec l’essor des technologies multimédias, la prévalence du spam multimodal contenant un mélange de texte et d’images a significativement augmenté. Or, la plupart des méthodes proposées pour détecter le spam dans le passé sont principalement basées sur l'analyse du texte. Le développement d’une approche multimodale de filtrage de spams revêt donc d’une importance capitale. Dans cette perspective, le mémoire vise à développer une méthode améliorée pour la détection de spams multimédias en utilisant l'analyse hiérarchique et multimodale des messages, combinée à l'apprentissage profond.
Notre approche repose sur l'extraction de plusieurs caractéristiques représentatives à partir de données multimodales (texte, liens, images) en utilisant des modèles basés sur les grands modèles de langage et les réseaux convolutifs. Ceci vise à obtenir une représentation sémantique fine mettant l'accent sur les parties cruciales des messages pour une meilleure classification de spams multimédias. Nous avons évalué notre approche sur un grand ensemble de données, en utilisant une analyse qualitative et quantitative pour mesurer la précision et la robustesse. Notre approche a démontré un grand potentiel pour combiner efficacement plusieurs modalités de données dans l'analyse des spams.

Type de document:	Thèse (Mémoire)
Directeur de mémoire/thèse:	Allili, Mohand Saïd
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	22 août 2024 17:15
Dernière modification:	22 août 2024 17:15
URI:	https://di.uqo.ca/id/eprint/1659

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt