論文の概要: Uncertainty-Aware Credit Card Fraud Detection Using Deep Learning
- arxiv url: http://arxiv.org/abs/2107.13508v1
- Date: Wed, 28 Jul 2021 17:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 14:07:48.669988
- Title: Uncertainty-Aware Credit Card Fraud Detection Using Deep Learning
- Title(参考訳): ディープラーニングを用いた不確実性対応型クレジットカード不正検出
- Authors: Maryam Habibpour, Hassan Gharoun, Mohammadreza Mehdipour, AmirReza
Tajally, Hamzeh Asgharnezhad, Afshar Shamsi, Abbas Khosravi, Miadreza
Shafie-Khah, Saeid Nahavandi, and Joao P.S. Catalao
- Abstract要約: 本研究では,モンテカルロ・ドロップアウト,アンサンブル,アンサンブルという3つの不確実量化手法を提案する。
このアンサンブルは、生成した予測に対応する不確実性を把握するのにより効果的であることを示す。
- 参考スコア(独自算出の注目度): 10.681661545798157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Countless research works of deep neural networks (DNNs) in the task of credit
card fraud detection have focused on improving the accuracy of point
predictions and mitigating unwanted biases by building different network
architectures or learning models. Quantifying uncertainty accompanied by point
estimation is essential because it mitigates model unfairness and permits
practitioners to develop trustworthy systems which abstain from suboptimal
decisions due to low confidence. Explicitly, assessing uncertainties associated
with DNNs predictions is critical in real-world card fraud detection settings
for characteristic reasons, including (a) fraudsters constantly change their
strategies, and accordingly, DNNs encounter observations that are not generated
by the same process as the training distribution, (b) owing to the
time-consuming process, very few transactions are timely checked by
professional experts to update DNNs. Therefore, this study proposes three
uncertainty quantification (UQ) techniques named Monte Carlo dropout, ensemble,
and ensemble Monte Carlo dropout for card fraud detection applied on
transaction data. Moreover, to evaluate the predictive uncertainty estimates,
UQ confusion matrix and several performance metrics are utilized. Through
experimental results, we show that the ensemble is more effective in capturing
uncertainty corresponding to generated predictions. Additionally, we
demonstrate that the proposed UQ methods provide extra insight to the point
predictions, leading to elevate the fraud prevention process.
- Abstract(参考訳): クレジットカード不正検出のタスクにおけるディープニューラルネットワーク(DNN)の無数の研究成果は、ポイント予測の精度を改善し、異なるネットワークアーキテクチャや学習モデルを構築することで望ましくないバイアスを軽減することに重点を置いている。
点推定に伴う不確実性の定量化は、モデルの不公平を緩和し、信頼性の低い最適下決定を無視する信頼できるシステムを開発するために不可欠である。
具体的には、DNNの予測に関連する不確実性を評価することは、(a)詐欺師が常に戦略を変更し、(b)DNNがトレーニングディストリビューションと同じプロセスで発生しない観察に遭遇するなど、DNNを更新する専門家によってタイムリーにチェックされるトランザクションが極めて少ないという特徴的な理由から、現実世界のカード不正検出設定において重要である。
そこで本研究では,取引データに適用されるカード詐欺検出のための3つの不確実性定量化手法であるモンテカルロドロップアウト,アンサンブル,アンサンブルモンテカルロドロップアウトを提案する。
さらに、予測不確実性推定を評価するために、UQ混乱行列といくつかのパフォーマンス指標を利用する。
実験結果から,このアンサンブルは生成した予測に対応する不確実性を捉えるのに有効であることがわかった。
さらに,提案手法がポイント予測にさらなる洞察を与え,不正防止のプロセスが向上することを示した。
関連論文リスト
- Explainability through uncertainty: Trustworthy decision-making with neural networks [1.104960878651584]
不確実性は、あらゆる機械学習モデルの主要な特徴である。
ニューラルネットワークでは特に重要であり、過信されがちである。
XAIとしての不確実性は、下流の意思決定タスクにおけるモデルの信頼性を改善する。
論文 参考訳(メタデータ) (2024-03-15T10:22:48Z) - Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳(メタデータ) (2024-03-05T11:44:14Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - Improving Out-of-Distribution Detection via Epistemic Uncertainty
Adversarial Training [29.4569172720654]
我々は,ドロップアウトアンサンブルによって予測される不確実性の攻撃を組み込んだ,単純な対向訓練手法を開発した。
本手法は,OOD検出性能を標準データ上で向上させる(逆向きではない)とともに,ほぼランダムな推定性能から$geq 0.75$まで,標準化された部分AUCを改善する。
論文 参考訳(メタデータ) (2022-09-05T14:32:19Z) - Learning Uncertainty with Artificial Neural Networks for Improved
Predictive Process Monitoring [0.114219428942199]
学習可能な不確実性には、トレーニングデータ不足によるモデル不確実性と、ノイズによる観察不確実性がある。
我々の貢献は、これらの不確実性の概念を予測プロセス監視タスクに適用し、不確実性に基づくモデルをトレーニングし、残りの時間と結果を予測することである。
論文 参考訳(メタデータ) (2022-06-13T17:05:27Z) - Gradient-Based Quantification of Epistemic Uncertainty for Deep Object
Detectors [8.029049649310213]
本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。
実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。
また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
論文 参考訳(メタデータ) (2021-07-09T16:04:11Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳(メタデータ) (2021-05-28T09:23:05Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳(メタデータ) (2020-11-15T17:26:14Z) - Towards Credit-Fraud Detection via Sparsely Varying Gaussian
Approximations [0.0]
本稿では,この予測システムに不確実性を取り入れたクレジットカード不正検出手法を提案する。
異なるカーネルセットと異なるインジェクションデータポイントで同じ動作を行い、最適な精度が得られた。
論文 参考訳(メタデータ) (2020-07-14T16:56:06Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳(メタデータ) (2020-06-20T22:45:32Z)
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。