論文の概要: Deep learning for detecting bid rigging: Flagging cartel participants based on convolutional neural networks

• arxiv url: http://arxiv.org/abs/2104.11142v1
• Date: Thu, 22 Apr 2021 15:48:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 16:50:21.398854
• Title: Deep learning for detecting bid rigging: Flagging cartel participants based on convolutional neural networks
• Title（参考訳）: 入札リギング検出のための深層学習:畳み込みニューラルネットワークに基づくカルテル参加者のフラッグング
• Authors: Martin Huber, David Imhof
• Abstract要約: 本稿では,他の企業との相互入札の相互作用に基づいて,カルテル参加者にフラグを立てるアプローチを提案する。 日本とスイスの調達データに基づいて、これらのグラフを共作エピソードと競争エピソードの両方で構築します。 日本語, スイス語, 混合データのいずれかに適用した場合, 平均精度は90%程度かやや高い値となる。
• 参考スコア（独自算出の注目度）: 0.15229257192293197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adding to the literature on the data-driven detection of bid-rigging cartels, we propose a novel approach based on deep learning (a subfield of artificial intelligence) that flags cartel participants based on their pairwise bidding interactions with other firms. More concisely, we combine a so-called convolutional neural network for image recognition with graphs that in a pairwise manner plot the normalized bid values of some reference firm against the normalized bids of any other firms participating in the same tenders as the reference firm. Based on Japanese and Swiss procurement data, we construct such graphs for both collusive and competitive episodes (i.e when a bid-rigging cartel is or is not active) and use a subset of graphs to train the neural network such that it learns distinguishing collusive from competitive bidding patterns. We use the remaining graphs to test the neural network's out-of-sample performance in correctly classifying collusive and competitive bidding interactions. We obtain a very decent average accuracy of around 90% or slightly higher when either applying the method within Japanese, Swiss, or mixed data (in which Swiss and Japanese graphs are pooled). When using data from one country for training to test the trained model's performance in the other country (i.e. transnationally), predictive performance decreases (likely due to institutional differences in procurement procedures across countries), but often remains satisfactorily high. All in all, the generally quite high accuracy of the convolutional neural network despite being trained in a rather small sample of a few 100 graphs points to a large potential of deep learning approaches for flagging and fighting bid-rigging cartels.
• Abstract（参考訳）: 本稿では,入札型カルテルのデータ駆動検出に関する文献に加え,他の企業との対決入札インタラクションに基づいてカーテル参加者をフラグアップする深層学習(人工知能のサブフィールド)に基づく新しいアプローチを提案する。 より簡潔に言うと、画像認識のためのいわゆる畳み込みニューラルネットワークと、ある参照会社の正規入札値を、参照会社と同一のテンダーに参加している他の企業の正規入札に対してペアでプロットするグラフを組み合わせる。 日本語とスイスの調達データに基づいて,コンレーシブなエピソードと競争的なエピソード(すなわち,入札カルテルが活動していない場合)のグラフを構築し,ニューラルネットワークをトレーニングするためにグラフのサブセットを用いて,競合入札パターンとコンレーシブを区別することを学ぶ。 残りのグラフを使用して、ニューラルネットワークのサンプル外性能をテストすることで、コルーシブかつ競合的な入札インタラクションを正しく分類する。 本手法を日本語,スイス語,あるいは混合データ(スイス語,日本語のグラフがプールされている)に適用する場合,精度の高い平均精度は約90%以上となる。 ある国からのデータを用いて、訓練されたモデルの他国(すなわち)のパフォーマンスをテストする場合。 全国的に)予測性能が低下する(おそらく、各国の調達手続きが制度的に異なるため)が、しばしば満足できるほど高いままである。 総じて、わずか100グラフの比較的小さなサンプルで訓練されているにもかかわらず、畳み込みニューラルネットワークの概して非常に高精度な精度は、投函と競い合うカルテルに対するディープラーニングアプローチの大きな可能性を示している。

関連論文リスト

• SMARTQUERY: An Active Learning Framework for Graph Neural Networks through Hybrid Uncertainty Reduction [25.77052028238513]
  本稿では,ハイブリッド不確実性低減関数を用いて,ラベル付きノードの少ないグラフニューラルネットワークを学習するフレームワークを提案する。 ごく少数のラベル付きデータを用いた最先端技術に対する本手法の競合性能を実証する。
  論文  参考訳（メタデータ） (2022-12-02T20:49:38Z)
• Compare learning: bi-attention network for few-shot learning [6.559037166322981]
  距離学習と呼ばれる数ショットの学習手法の1つは、画像のペアが同じカテゴリに属しているかどうかを判断するために、まず遠距離計量を学習することで、この課題に対処する。 本稿では, インスタンスの埋め込みの類似性を正確に, グローバルかつ効率的に測定できる, Bi-attention Network という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-25T07:39:10Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Active Learning for Deep Visual Tracking [51.5063680734122]
  畳み込みニューラルネットワーク(CNN)は近年,単一目標追跡タスクに成功している。 本稿では,ディープ・ビジュアル・トラッキングのためのアクティブ・ラーニング手法を提案する。 アクティブラーニングの指導のもと、トレーニングされた深層CNNモデルに基づくトラッカーは、ラベリングコストを低減しつつ、競合的なトラッキング性能を達成することができる。
  論文  参考訳（メタデータ） (2021-10-17T11:47:56Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
  クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。 群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:12:37Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Mutual Teaching for Graph Convolutional Networks [1.14219428942199]
  グラフ畳み込みネットワークは、そのトランスダクティブラベルの伝播により、ラベルのないサンプルのよい予測を生成する。 サンプルは予測された信頼度が異なるため、高い信頼度予測を擬似ラベルとして用いてラベルを拡大する。 そこで本研究では,相互教育(相互教育)と称される新たな学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-02T11:10:55Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。