論文の概要: Detecting Suspicious Events in Fast Information Flows
- arxiv url: http://arxiv.org/abs/2101.02424v1
- Date: Thu, 7 Jan 2021 08:19:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 18:11:34.722147
- Title: Detecting Suspicious Events in Fast Information Flows
- Title（参考訳）: 高速情報流における疑わしい事象の検出
- Authors: Kristiaan Pelckmans, Moustafa Aboushady, Andreas Brosemyr
- Abstract要約: HALFADO と呼ばれる計算式フェザーライトと直感的なアルゴリズムを記述します。
HALFADOは人間の判断の比較的少数の例に基づいて複雑な記入項目の高周波流れの疑わしいでき事を検出するために設計されています。
本研究では,(1)ソーシャルメディアプラットフォームから収集されたテキストメッセージの流れにおけるヘイトスピーチメッセージの検出,(2)金融取引の流れにおける不正取引の検出におけるトランザクション監視システム(TMS)の2つの課題に対して,HALFADOの有効性を解説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe a computational feather-light and intuitive, yet provably
efficient algorithm, named HALFADO. HALFADO is designed for detecting
suspicious events in a high-frequency stream of complex entries, based on a
relatively small number of examples of human judgement. Operating a
sufficiently accurate detection system is vital for {\em assisting} teams of
human experts in many different areas of the modern digital society. These
systems have intrinsically a far-reaching normative effect, and public
knowledge of the workings of such technology should be a human right.
On a conceptual level, the present approach extends one of the most classical
learning algorithms for classification, inheriting its theoretical properties.
It however works in a semi-supervised way integrating human and computational
intelligence. On a practical level, this algorithm transcends existing
approaches (expert systems) by managing and boosting their performance into a
single global detector.
We illustrate HALFADO's efficacy on two challenging applications: (1) for
detecting {\em hate speech} messages in a flow of text messages gathered from a
social media platform, and (2) for a Transaction Monitoring System (TMS) in
FinTech detecting fraudulent transactions in a stream of financial
transactions.
This algorithm illustrates that - contrary to popular belief - advanced
methods of machine learning need not require neither advanced levels of
computation power nor expensive annotation efforts.
- Abstract（参考訳）: 本稿では,HALFADOという計算羽根光と直感的かつ効率の良いアルゴリズムについて述べる。
HALFADOは、人間の判断の比較的少数の例に基づいて、複雑なエントリの高周波ストリームにおける不審事象を検出するように設計されている。
十分に正確な検知システムを運用することは、現代のデジタル社会の様々な分野の人間専門家のチームにとって不可欠である。
これらのシステムは本質的には遠い規範的効果を持ち、そのような技術の作業に関する公共知識は人権であるべきである。
概念レベルでは、本手法はその理論的性質を継承し、分類のための最も古典的な学習アルゴリズムの1つを拡張する。
しかし、人間と計算知性を統合する半監督的な方法で機能する。
実用レベルでは、このアルゴリズムは既存のアプローチ(エキスパートシステム)を超越し、その性能を単一のグローバル検出器に管理し、強化する。
本稿では,(1)ソーシャルメディア・プラットフォームから収集したテキスト・メッセージの流れ中における"em hate speech"メッセージの検出,(2)フィンテックにおける取引監視システム(tms)による金融取引の流れにおける不正取引の検出,という2つの課題に対して,valadoの有効性を示す。
このアルゴリズムは、一般的な信念に反して、高度な機械学習手法は高度な計算能力や高価なアノテーションの努力を必要としないことを示している。
関連論文リスト
- Token-Level Adversarial Prompt Detection Based on Perplexity Measures
and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。
この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。
トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T03:17:21Z) - Measuring, Interpreting, and Improving Fairness of Algorithms using
Causal Inference and Randomized Experiments [8.62694928567939]
本稿では,アルゴリズム決定の公平性を測り,解釈し,改善するためのMIIFフレームワークを提案する。
ランダム化実験を用いてアルゴリズムバイアスを測定し, 異なる処理, 異なる影響, 経済的価値の同時測定を可能にする。
また、ブラックボックスアルゴリズムの信念を正確に解釈し、蒸留する、説明可能な機械学習モデルを開発した。
論文 参考訳（メタデータ） (2023-09-04T19:45:18Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Interpretable Anomaly Detection via Discrete Optimization [1.7150329136228712]
本稿では,シーケンシャルデータから本質的に解釈可能な異常検出を学習するためのフレームワークを提案する。
この問題は計算的に困難であることを示し,制約最適化に基づく2つの学習アルゴリズムを開発した。
プロトタイプ実装を用いて,提案手法は精度とF1スコアの点で有望な結果を示す。
論文 参考訳（メタデータ） (2023-03-24T16:19:15Z) - Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。
検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。
これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
論文 参考訳（メタデータ） (2022-07-07T18:26:32Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Incremental Learning Techniques for Online Human Activity Recognition [0.0]
身体運動のオンライン予測のためのヒューマンアクティビティ認識(HAR)手法を提案する。
我々は,監視ソフトウェアを含むHARシステムと加速度計とジャイロスコープデータを収集するモバイルアプリケーションを開発する。
この研究で6つの漸進的学習アルゴリズムが採用され、オフラインのHARシステムの開発によく使用されるバッチ学習アルゴリズムと比較される。
論文 参考訳（メタデータ） (2021-09-20T11:33:09Z) - HURRA! Human readable router anomaly detection [11.564082628014638]
HURRAは、ネットワークトラブルシューティングの過程で人間のオペレーターが費やす時間を短縮することを目的としている。
異常検出アルゴリズムの後に接続される2つのモジュールから構成される。
論文 参考訳（メタデータ） (2021-07-23T08:38:29Z) - MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven
Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。
正規化最大度(NML)分布の計算法を提案する。
得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文 参考訳（メタデータ） (2021-07-15T08:19:57Z) - Network Activities Recognition and Analysis Based on Supervised Machine
Learning Classification Methods Using J48 and Na\"ive Bayes Algorithm [1.6181085766811525]
教師付き分類技術に基づく機械学習手法の適用は、重大で退屈な作業からネットワークセキュリティスタッフを解放するのに役立ちます。
微調整されたモデルは、ユーザの振る舞いを正確に認識し、比較的高い精度と適応性を備えた永続的な監視を提供する。
論文 参考訳（メタデータ） (2021-05-28T09:44:14Z) - MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。
提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
論文 参考訳（メタデータ） (2020-10-25T23:01:13Z)
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。