論文の概要: ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation
- arxiv url: http://arxiv.org/abs/2006.06561v2
- Date: Wed, 17 Mar 2021 14:18:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 13:03:37.737666
- Title: ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation
- Title（参考訳）: ScoreGAN:データ拡張による正規化GANのマルチタスク学習に基づくフルートレビュー検出装置
- Authors: Saeedreza Shehnepoor, Roberto Togneri, Wei Liu, Mohammed Bennamoun
- Abstract要約: 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。
- 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: The promising performance of Deep Neural Networks (DNNs) in text
classification, has attracted researchers to use them for fraud review
detection. However, the lack of trusted labeled data has limited the
performance of the current solutions in detecting fraud reviews. The Generative
Adversarial Network (GAN) as a semi-supervised method has demonstrated to be
effective for data augmentation purposes. The state-of-the-art solutions
utilize GANs to overcome the data scarcity problem. However, they fail to
incorporate the behavioral clues in fraud generation. Additionally,
state-of-the-art approaches overlook the possible bot-generated reviews in the
dataset. Finally, they also suffer from a common limitation in scalability and
stability of the GAN, slowing down the training procedure. In this work, we
propose ScoreGAN for fraud review detection that makes use of both review text
and review rating scores in the generation and detection process. Scores are
incorporated through Information Gain Maximization (IGM) into the loss function
for three reasons. One is to generate score-correlated reviews based on the
scores given to the generator. Second, the generated reviews are employed to
train the discriminator, so the discriminator can correctly label the possible
bot-generated reviews through joint representations learned from the
concatenation of GLobal Vector for Word representation (GLoVe) extracted from
the text and the score. Finally, it can be used to improve the stability and
scalability of the GAN. Results show that the proposed framework outperformed
the existing state-of-the-art framework, namely FakeGAN, in terms of AP by 7\%,
and 5\% on the Yelp and TripAdvisor datasets, respectively.
- Abstract（参考訳）: テキスト分類におけるDeep Neural Networks(DNN)の有望なパフォーマンスは、不正レビュー検出に研究者を惹きつけている。
しかし,信頼ラベル付きデータの欠如は,不正レビューの検出における現在のソリューションの性能を制限している。
半教師付き手法としてのGAN(Generative Adversarial Network)は,データ拡張に有効であることを示す。
最先端のソリューションはgansを使ってデータ不足の問題を克服している。
しかし、彼らは不正発生の行動の手がかりを取り入れなかった。
さらに、最先端のアプローチでは、データセットのボット生成レビューを見落としている。
最後に、GANのスケーラビリティと安定性の共通的な制限に悩まされ、トレーニング手順が遅くなる。
本研究では,生成・検出過程において,テキストレビューと評価スコアの両方を利用した不正レビュー検出のためのスコアガンを提案する。
スコアは情報ゲイン最大化(IGM)によって3つの理由で損失関数に組み込まれる。
1つは、ジェネレータに与えられたスコアに基づいてスコア関連レビューを生成することである。
第2に、生成されたレビューを用いて判別器を訓練することにより、テキストとスコアから抽出したGLobal Vector for Word Expression(GLoVe)の結合から学習した共同表現により、ボット生成可能なレビューを正しくラベル付けすることができる。
最後に、GANの安定性とスケーラビリティを改善するために使用できる。
その結果,提案フレームワークは,yelp と tripadvisor データセット上で,ap の7\%,5\% という点で,既存の最先端フレームワークである fakegan よりも優れていた。
関連論文リスト
- Analytical and Empirical Study of Herding Effects in Recommendation Systems [72.6693986712978]
評価アグリゲーションルールとショートリストされた代表レビューを用いて製品評価を管理する方法について検討する。
本稿では,Amazon と TripAdvisor の収束速度を向上させるために,適切な信頼度評価アグリゲーションルールが有効であることを示す。
論文 参考訳（メタデータ） (2024-08-20T14:29:23Z) - Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。
具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
論文 参考訳（メタデータ） (2024-07-08T13:41:21Z) - AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。
提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
論文 参考訳（メタデータ） (2023-11-16T02:56:29Z) - 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) - Label Information Enhanced Fraud Detection against Low Homophily in
Graphs [24.170070133328277]
本稿では,この課題に対処するために,新たなグループ集約強化TrAnsformerであるGAGAを提案する。
GAGAは、Anonymousの2つのトレンドのパブリックデータセットと実世界の産業データセットで、他のグラフベースの不正検知器を最大24.39%上回っている。
論文 参考訳（メタデータ） (2023-02-21T02:42:28Z) - Spatio-Temporal Graph Representation Learning for Fraudster Group
Detection [50.779498955162644]
企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。
そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。
両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
論文 参考訳（メタデータ） (2022-01-07T08:01:38Z) - HIN-RNN: A Graph Representation Learning Neural Network for Fraudster
Group Detection With No Handcrafted Features [42.30892608083864]
不正グループ検出のための異種情報ネットワーク(HIN)互換RNNであるHIN-RNNを提案する。
HIN-RNNは、各レビュアーのテキスト表現を学習するための統一アーキテクチャを提供する。
提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)に対して,最先端アプローチを著しく改善する上で有効であることが確認された。
論文 参考訳（メタデータ） (2021-05-25T01:48:28Z) - 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) - xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI
Systems [16.360144499713524]
Generative Adversarial Networks (GAN) は、現実的な画像、音楽、テキスト、その他のデータの生成に成功しているディープニューラルネットワーク(DNN)の革命的なクラスである。
本稿では、AI(xAI)システムにおける最近の進歩を活用して、識別器からジェネレータへの「よりリッチな」修正フィードバックを提供する新しいGANクラスを提案する。
我々は、xAI-GANが標準GANよりも、MNISTとFMNISTの両方のデータセットで生成された画像の品質を最大23.18%向上させるのを観察する。
論文 参考訳（メタデータ） (2020-02-24T18:38:13Z)
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。
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。