論文の概要: Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud Detection

• arxiv url: http://arxiv.org/abs/2108.02501v1
• Date: Thu, 5 Aug 2021 10:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:53:18.172518
• Title: Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud Detection
• Title（参考訳）: クレジットカード不正検出のための局所的一級異常検出
• Authors: Tungyu Wu, Youting Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.507860128918788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For the highly imbalanced credit card fraud detection problem, most existing methods either use data augmentation methods or conventional machine learning models, while neural network-based anomaly detection approaches are lacking. Furthermore, few studies have employed AI interpretability tools to investigate the feature importance of transaction data, which is crucial for the black-box fraud detection module. Considering these two points together, we propose a novel anomaly detection framework for credit card fraud detection as well as a model-explaining module responsible for prediction explanations. The fraud detection model is composed of two deep neural networks, which are trained in an unsupervised and adversarial manner. Precisely, the generator is an AutoEncoder aiming to reconstruct genuine transaction data, while the discriminator is a fully-connected network for fraud detection. The explanation module has three white-box explainers in charge of interpretations of the AutoEncoder, discriminator, and the whole detection model, respectively. Experimental results show the state-of-the-art performances of our fraud detection model on the benchmark dataset compared with baselines. In addition, prediction analyses by three explainers are presented, offering a clear perspective on how each feature of an instance of interest contributes to the final model output.
• Abstract（参考訳）: 高度に不均衡なクレジットカード不正検出問題では、既存のほとんどのメソッドはデータ拡張法または従来の機械学習モデルを使用するが、ニューラルネットワークベースの異常検出アプローチには欠けている。 さらに、ブラックボックス詐欺検出モジュールにとって重要なトランザクションデータの特徴的重要性を調べるために、ai解釈ツールを用いた研究は少ない。 これら2点を合わせて,クレジットカード不正検出のための新たな異常検出フレームワークと,予測説明を行うモデル記述モジュールを提案する。 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、教師なしかつ敵対的な方法でトレーニングされる。 正確には、ジェネレータは本物のトランザクションデータを再構築するためのオートエンコーダであり、判別器は不正検出のための完全接続されたネットワークである。 説明モジュールは、それぞれオートエンコーダ、判別器、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を有する。 実験の結果, ベースラインと比較して, ベンチマークデータセット上での不正検出モデルの最先端性能が示された。 さらに、3つの説明者による予測分析を行い、興味のあるインスタンスのそれぞれの特徴が最終的なモデル出力にどのように貢献するかを明確にする。

関連論文リスト

• Utilizing GANs for Fraud Detection: Model Training with Synthetic Transaction Data [0.0]
  本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。 GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。 この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
  論文  参考訳（メタデータ） (2024-02-15T09:48:20Z)
• Explainable Fraud Detection with Deep Symbolic Classification [4.1205832766381985]
  分類問題に対するDeep Symbolic Regressionフレームワークの拡張であるDeep Classificationを提案する。 関数は閉形式で簡潔な数学的表現であるため、モデルは1つの分類決定のレベルとモデルの決定過程の両方において本質的に説明可能である。 PaySimデータセットの評価は、最先端のモデルと競合する予測性能を示しながら、説明可能性の観点からそれらを上回っている。
  論文  参考訳（メタデータ） (2023-12-01T13:50:55Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• 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)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Abuse and Fraud Detection in Streaming Services Using Heuristic-Aware Machine Learning [0.45880283710344055]
  本研究は,ユーザのストリーミング動作をモデル化することで,ストリーミングサービスに対する不正・悪用検出フレームワークを提案する。 本研究では,半教師付きアプローチと,異常検出のための教師付きアプローチについて検討する。 私たちの知る限りでは、実世界のストリーミングサービスにおいて、不正行為の検出と不正検出に機械学習を使った最初の論文である。
  論文  参考訳（メタデータ） (2022-03-04T03:57:58Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。