结合对抗训练、预训练语言模型与神经网络的文本分类模型：电信诈骗事件文本案例研究

使用LSTM自编码器和对抗网络构建欺诈检测模型，通过学习良性用户的在线活动序列来检测恶意用户，实验结果优于现有模型。

对抗自编码网络用于检测会计数据中的欺诈行为，提高了检测方法的可解释性和准确性。

新深度学习技术能够抵御针对文本分类模型的后门攻击，具备自我防御能力和高准确性。

基于掩蔽语言模型的检测方法（MLMD）能够区分正常示例和对抗攻击示例，表现出强大的性能。

使用深度学习方法对金融欺诈文本进行二元分类，比较不同神经网络模型的准确性，为金融欺诈检测提供见解。

GPT-3数据增强策略显著提升了模型在安全相关文本分类任务中的性能，尤其在阳性样本不足的情况下。

大型语言模型（LLMs）能够制造对抗性样本，成功破坏仇恨言论检测系统，给依赖LLMs的系统带来挑战。

提出针对对抗性攻击的框架，评估现有检测模型的鲁棒性，发现模型在短时间内可被破坏，强调对更准确和鲁棒的检测方法的需求。

分析五种LLMs在情感分类任务中的表现，发现词级攻击更有效，字符级攻击更实用，为开发对抗性防御策略提供参考。