論文の概要: ARMS: Automated rules management system for fraud detection
- arxiv url: http://arxiv.org/abs/2002.06075v1
- Date: Fri, 14 Feb 2020 15:29:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 03:36:35.287792
- Title: ARMS: Automated rules management system for fraud detection
- Title（参考訳）: ARMS:不正検出のための自動ルール管理システム
- Authors: David Apar\'icio, Ricardo Barata, Jo\~ao Bravo, Jo\~ao Tiago
Ascens\~ao, Pedro Bizarro
- Abstract要約: オンライン不正検出は、入ってくる取引を合法か不正かのどちらかにリアルタイムで分類する。
現代の不正検出システムは、人間の専門家によって定義された機械学習モデルとルールで構成されている。
本稿では,個々のルールの貢献度を評価する自動ルール管理システムARMSを提案し,検索とユーザ定義の損失関数を用いたアクティブなルールセットを最適化する。
- 参考スコア（独自算出の注目度）: 1.7499351967216341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fraud detection is essential in financial services, with the potential of
greatly reducing criminal activities and saving considerable resources for
businesses and customers. We address online fraud detection, which consists of
classifying incoming transactions as either legitimate or fraudulent in
real-time. Modern fraud detection systems consist of a machine learning model
and rules defined by human experts. Often, the rules performance degrades over
time due to concept drift, especially of adversarial nature. Furthermore, they
can be costly to maintain, either because they are computationally expensive or
because they send transactions for manual review. We propose ARMS, an automated
rules management system that evaluates the contribution of individual rules and
optimizes the set of active rules using heuristic search and a user-defined
loss-function. It complies with critical domain-specific requirements, such as
handling different actions (e.g., accept, alert, and decline), priorities,
blacklists, and large datasets (i.e., hundreds of rules and millions of
transactions). We use ARMS to optimize the rule-based systems of two real-world
clients. Results show that it can maintain the original systems' performance
(e.g., recall, or false-positive rate) using only a fraction of the original
rules (~ 50% in one case, and ~ 20% in the other).
- Abstract（参考訳）: 不正検出は金融サービスにおいて不可欠であり、犯罪行為を大幅に減らし、企業や顧客にとってかなりの資源を節約する可能性がある。
オンライン不正検出は、入ってくる取引を合法か不正かのどちらかにリアルタイムで分類する。
現代の不正検出システムは、人間の専門家によって定義された機械学習モデルとルールで構成されている。
多くの場合、ルールのパフォーマンスは、概念のドリフト、特に敵対的な性質によって、時間とともに低下する。
さらに、計算コストが高いか、手作業によるレビューのためにトランザクションを送信するため、メンテナンスにコストがかかる場合もある。
本稿では,個々のルールの貢献度を評価する自動ルール管理システムARMSを提案し,ヒューリスティック検索とユーザ定義の損失関数を用いたアクティブなルールセットを最適化する。
異なるアクション(例えば、受け入れ、警告、減少)、優先順位、ブラックリスト、大規模なデータセット(数百のルールと数百万のトランザクション)を扱うなど、ドメイン固有の重要な要件に準拠している。
2つの現実世界のクライアントのルールベースのシステムを最適化するためにARMSを使用します。
その結果、元のルール(ある場合約50%、もう一方の場合約20%)のほんの一部を使って、元のシステムのパフォーマンス(リコール、偽陽性率など)を維持することができることがわかった。
関連論文リスト
- RIFF: Inducing Rules for Fraud Detection from Decision Trees [5.640162873635426]
本稿では,決定木から直接設定した低偽陽性率ルールを蒸留するルール誘導アルゴリズムRIFFを提案する。
提案実験により,FPRの低いタスクに対して,誘導ルールが元のモデルの性能を維持・改善できることがよく示されている。
論文 参考訳（メタデータ） (2024-08-23T11:14:20Z) - Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。
乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。
我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文 参考訳（メタデータ） (2023-10-07T10:20:26Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
プライベート機械学習では、既存の監査メカニズムは厳格である。
彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。
我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
論文 参考訳（メタデータ） (2023-02-15T21:40:33Z) - Towards Target Sequential Rules [52.4562332499155]
ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。
新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
論文 参考訳（メタデータ） (2022-06-09T18:59:54Z) - Anti-Money Laundering Alert Optimization Using Machine Learning with
Graphs [0.769672852567215]
マネーロンダリング(英: Money laundering)は、重大通貨からの収益(毎年1.7-4兆ユーロ)の合法化に関する世界的な問題である。
本稿では,ルールベースシステムを補完し,警告のリスクを正確に予測する機械学習トリアージモデルを提案する。
実世界の銀行のデータセット上で、我々のモデルを検証し、トリアージモデルが真正の90%以上を検出しながら、偽正の数を80%削減できることを示す。
論文 参考訳（メタデータ） (2021-12-14T16:12:30Z) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳（メタデータ） (2021-12-08T11:30:53Z) - A Time-Frequency based Suspicious Activity Detection for Anti-Money
Laundering [0.0]
マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入するために使う重要なメカニズムである。
これらの機関の現在のシステムのほとんどはルールベースであり、非効率である。
本稿では、金融取引の2次元表現を利用した時間周波数分析に基づく新しい特徴セットを提案する。
論文 参考訳（メタデータ） (2020-11-17T08:01:50Z) - Deep Q-Network-based Adaptive Alert Threshold Selection Policy for
Payment Fraud Systems in Retail Banking [9.13755431537592]
本稿では,不正警報システムのためのしきい値選択ポリシーを提案する。
提案手法は、しきい値選択を逐次決定問題として定式化し、ディープQネットワークに基づく強化学習を用いる。
実験結果から, この適応手法は, 不正な損失を低減し, 警報システムの動作効率を向上させることにより, 現在の静的解よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-10-21T15:10:57Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z) - Toward Optimal Adversarial Policies in the Multiplicative Learning
System with a Malicious Expert [87.12201611818698]
専門家のアドバイスを組み合わせて真の結果を予測する学習システムについて考察する。
専門家の一人が悪意があり、システムに最大損失を課すことを目指していると推測されている。
誤予測を常に報告する単純な欲求ポリシーは、近似比が1+O(sqrtfracln NN)$で最適であることを示す。
悪意のある専門家がその判断を適応的に行うことができるオンライン環境では、最適のオンラインポリシーを$O(N3)$で動的プログラムを解くことで効率的に計算できることが示される。
論文 参考訳（メタデータ） (2020-01-02T18:04:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。