Fugu-MT 論文翻訳(概要): Applying support vector data description for fraud detection

論文の概要: Applying support vector data description for fraud detection

arxiv url: http://arxiv.org/abs/2006.00618v1
Date: Sun, 31 May 2020 21:31:32 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 13:16:15.102754
Title: Applying support vector data description for fraud detection
Title（参考訳）: 不正検出のためのサポートベクトルデータ記述の適用
Authors: Mohamad Khedmati, Masoud Erfani, Mohammad GhasemiGol
Abstract要約: 不正検出の主な課題の1つは、複雑で困難な作業である不正サンプルの取得である。この課題に対処するために,SVDDのような不正サンプルを必要としない一級分類法を適用した。また,DBSCANの拡張であるREDBSCANを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fraud detection is an important topic that applies to various enterprises such as banking and financial sectors, insurance, government agencies, law enforcement, and more. Fraud attempts have been risen remarkably in current years, shaping fraud detection an essential topic for research. One of the main challenges in fraud detection is acquiring fraud samples which is a complex and challenging task. In order to deal with this challenge, we apply one-class classification methods such as SVDD which does not need the fraud samples for training. Also, we present our algorithm REDBSCAN which is an extension of DBSCAN to reduce the number of samples and select those that keep the shape of data. The results obtained by the implementation of the proposed method indicated that the fraud detection process was improved in both performance and speed.
Abstract（参考訳）: 不正検出は、銀行や金融セクター、保険、政府機関、法執行機関など、様々な企業に適用される重要なトピックである。近年、詐欺未遂事件が顕著に増加しており、不正検出が研究に不可欠な話題となっている。不正検出の主な課題の1つは、複雑で困難な作業である不正サンプルの取得である。この課題に対処するために,SVDDのような不正サンプルを必要としない一級分類法を適用した。また,dbscanの拡張であるredbscanを用いてサンプル数を削減し,データ形状を保持するものを選択する。提案手法の実装により得られた結果から,不正検出は性能と速度の両方で改善された。

関連論文リスト

Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
論文参考訳（メタデータ） (2024-10-02T18:17:54Z)
Credit Card Fraud Detection with Subspace Learning-based One-Class Classification [18.094622095967328]
1クラス分類(OCC)アルゴリズムは、不均衡なデータ分散を扱うのに優れている。これらのアルゴリズムは、部分空間学習をデータ記述に統合する。これらのアルゴリズムは、OCCに最適化された低次元の部分空間にデータを変換する。
論文参考訳（メタデータ） (2023-09-26T12:26:28Z)
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)
Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。弱教師付き異常検出法(WSAD)の総合的な調査を行った。各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
論文参考訳（メタデータ） (2023-02-09T10:27:21Z)
Fraud Dataset Benchmark and Applications [25.184342958800293]
Fraud dataset Benchmark(FDB)は、不正検出に特化した公開データセットのコンパイルである。 FDBには、不正なカード非表示トランザクションの識別、ボット攻撃の検出、悪意のあるURLの分類、コンテンツモデレーションに対するローンのデフォルトリスクの推定など、さまざまな不正関連タスクが含まれている。 FDB用のPythonベースのライブラリは、標準化されたトレーニングとテストの分割を伴うデータローディングのための一貫したAPIを提供する。
論文参考訳（メタデータ） (2022-08-30T17:35:39Z)
Challenges and Complexities in Machine Learning based Credit Card Fraud Detection [0.0]
取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
論文参考訳（メタデータ） (2022-08-20T07:53:51Z)
On some studies of Fraud Detection Pipeline and related issues from the scope of Ensemble Learning and Graph-based Learning [0.5820960526832067]
英国の反詐欺チャリティーであるFraud Advisory Panelは、詐欺のビジネスコストを1440億ドルと見積もっている。効率的な不正検出システムの構築は、不均衡なデータや計算コストなど、多くの困難な問題のために困難である。
論文参考訳（メタデータ） (2022-05-10T02:13:58Z)
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)
Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文参考訳（メタデータ） (2021-10-04T03:42:09Z)
Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文参考訳（メタデータ） (2021-07-29T00:02:06Z)
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)

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。