論文の概要: DFraud3- Multi-Component Fraud Detection freeof Cold-start
- arxiv url: http://arxiv.org/abs/2006.05718v2
- Date: Thu, 11 Jun 2020 16:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 06:27:45.395211
- Title: DFraud3- Multi-Component Fraud Detection freeof Cold-start
- Title（参考訳）: dfraud3- コールドスタートフリーの多成分不正検出
- Authors: Saeedreza Shehnepoor, Roberto Togneri, Wei Liu, Mohammed Bennamoun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.779498955162644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fraud review detection is a hot research topic inrecent years. The Cold-start
is a particularly new but significant problem referring to the failure of a
detection system to recognize the authenticity of a new user. State-of-the-art
solutions employ a translational knowledge graph embedding approach (TransE) to
model the interaction of the components of a review system. However, these
approaches suffer from the limitation of TransEin handling N-1 relations and
the narrow scope of a single classification task, i.e., detecting fraudsters
only. In this paper, we model a review system as a Heterogeneous
InformationNetwork (HIN) which enables a unique representation to every
component and performs graph inductive learning on the review data through
aggregating features of nearby nodes. HIN with graph induction helps to address
the camouflage issue (fraudsterswith genuine reviews) which has shown to be
more severe when it is coupled with cold-start, i.e., new fraudsters with
genuine first reviews. In this research, instead of focusing only on one
component, detecting either fraud reviews or fraud users (fraudsters), vector
representations are learnt for each component, enabling multi-component
classification. In other words, we are able to detect fraud reviews,
fraudsters, and fraud-targeted items, thus the name of our approach DFraud3.
DFraud3 demonstrates a significant accuracy increase of 13% over the state of
the art on Yelp.
- Abstract（参考訳）: フラッドレビュー検出は最近の熱い研究トピックである。
コールドスタート(Cold-start)は特に新しいが重要な問題であり、新しいユーザの認証に検知システムが失敗したことを指す。
最先端のソリューションは、レビューシステムのコンポーネントの相互作用をモデル化するために翻訳知識グラフ埋め込みアプローチ(TransE)を用いる。
しかしながら、これらのアプローチは、N-1関係を扱うTransEinの制限と、単一の分類タスクの狭い範囲、すなわち詐欺師のみを検出することによる。
本稿では,各コンポーネントに一意に表現可能な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し,近傍ノードの特徴を集約することで,レビューデータに対するグラフ帰納学習を行う。
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。
本研究では,1つのコンポーネントのみに着目し,不正レビューや不正ユーザ(詐欺師)を検出する代わりに,各コンポーネントについてベクトル表現を学習し,複数コンポーネントの分類を可能にする。
言い換えれば、不正レビュー、詐欺師、不正ターゲットのアイテムを検知できるので、DFraud3というアプローチの名前がつけられる。
DFraud3はYelpの最先端技術に比べて13%の精度向上を示している。
関連論文リスト
- What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - 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) - 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) - Social Fraud Detection Review: Methods, Challenges and Analysis [42.30892608083864]
社会的レビューはウェブを支配しており、製品情報の信頼できる情報源となっている。
企業は、単一のユーザ、ユーザグループ、あるいは不正コンテンツを生成するために訓練されたボットを使用して、偽情報を広めるために、ソーシャル情報を利用する。
多くの研究がユーザ行動に基づくアプローチを提案し、不正検出の課題に対処するためのテキストをレビューした。
論文 参考訳（メタデータ） (2021-11-10T11:25:20Z) - 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) - Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud
Detection [4.507860128918788]
本稿では,クレジットカード不正検出のための新しい異常検出フレームワークを提案する。
不正検出モデルは2つのディープニューラルネットワークで構成されており、教師なしかつ敵対的な方法で訓練されている。
説明モジュールには、AutoEncoder、識別器、および検出モデル全体の解釈を担当する3つのホワイトボックス説明器がある。
論文 参考訳（メタデータ） (2021-08-05T10:19:12Z) - 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) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z)
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。