Fuzzy Granular Classifier Approach for Spam Detection
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F15%3A50004184" target="_blank" >RIV/62690094:18450/15:50004184 - isvavai.cz</a>
Výsledek na webu
<a href="http://link.springer.com/chapter/10.1007/978-3-319-24306-1_25" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-319-24306-1_25</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-24306-1_25" target="_blank" >10.1007/978-3-319-24306-1_25</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Fuzzy Granular Classifier Approach for Spam Detection
Popis výsledku v původním jazyce
Spam email problem is a major shortcoming of email technology for computer security. In this research, a granular classifier model is proposed to discover hyperboxes in the geometry of information granules for spam detection in three steps. In the firststep, the k-means clustering algorithm is applied to find the seed_points to build the granular structure of the spam and non-spam patterns. Moreover, applying the interval analysis through the high homogeneity of the patterns captures the key part of the spam and non-spam classifiers' structure. In the second step, PSO algorithm is hybridized with the k-means to optimize the formalized information granules' performance. The proposed model is evaluated based on the accuracy, misclassification and coverage criteria. Experimental results reveal that the performance of our proposed model is increased through applying Particle Swarm Optimization and fuzzy set.
Název v anglickém jazyce
Fuzzy Granular Classifier Approach for Spam Detection
Popis výsledku anglicky
Spam email problem is a major shortcoming of email technology for computer security. In this research, a granular classifier model is proposed to discover hyperboxes in the geometry of information granules for spam detection in three steps. In the firststep, the k-means clustering algorithm is applied to find the seed_points to build the granular structure of the spam and non-spam patterns. Moreover, applying the interval analysis through the high homogeneity of the patterns captures the key part of the spam and non-spam classifiers' structure. In the second step, PSO algorithm is hybridized with the k-means to optimize the formalized information granules' performance. The proposed model is evaluated based on the accuracy, misclassification and coverage criteria. Experimental results reveal that the performance of our proposed model is increased through applying Particle Swarm Optimization and fuzzy set.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Computational collective intelligence. Part II.
ISBN
978-3-319-24306-1
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
9
Strana od-do
256-264
Název nakladatele
Springer
Místo vydání
Berlin
Místo konání akce
Madrid
Datum konání akce
21. 9. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000366123600025