論文の概要: On some studies of Fraud Detection Pipeline and related issues from the
scope of Ensemble Learning and Graph-based Learning
- arxiv url: http://arxiv.org/abs/2205.04626v1
- Date: Tue, 10 May 2022 02:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 21:08:56.941347
- Title: On some studies of Fraud Detection Pipeline and related issues from the
scope of Ensemble Learning and Graph-based Learning
- Title（参考訳）: 組立学習とグラフ学習を対象とするフラッド検出パイプラインと関連する諸問題に関する研究
- Authors: Tuan Tran
- Abstract要約: 英国の反詐欺チャリティーであるFraud Advisory Panelは、詐欺のビジネスコストを1440億ドルと見積もっている。
効率的な不正検出システムの構築は、不均衡なデータや計算コストなど、多くの困難な問題のために困難である。
- 参考スコア（独自算出の注目度）: 0.5820960526832067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The UK anti-fraud charity Fraud Advisory Panel (FAP) in their review of 2016
estimates business costs of fraud at 144 billion, and its individual
counterpart at 9.7 billion. Banking, insurance, manufacturing, and government
are the most common industries affected by fraud activities. Designing an
efficient fraud detection system could avoid losing the money; however,
building this system is challenging due to many difficult problems,
e.g.imbalanced data, computing costs, etc. Over the last three decades, there
are various research relates to fraud detection but no agreement on what is the
best approach to build the fraud detection system. In this thesis, we aim to
answer some questions such as i) how to build a simplified and effective Fraud
Detection System that not only easy to implement but also providing reliable
results and our proposed Fraud Detection Pipeline is a potential backbone of
the system and is easy to be extended or upgraded, ii) when to update models in
our system (and keep the accuracy stable) in order to reduce the cost of
updating process, iii) how to deal with an extreme imbalance in big data
classification problem, e.g. fraud detection, since this is the gap between two
difficult problems, iv) further, how to apply graph-based semi-supervised
learning to detect fraudulent transactions.
- Abstract（参考訳）: 英国の反詐欺チャリティーであるFraud Advisory Panel(FAP)は2016年のレビューで、不正行為のビジネスコストを144億、個人費用は970億と見積もっている。
銀行、保険、製造業、政府が最も一般的な産業は詐欺行為である。
効率的な不正検出システムを設計することで、損失を回避できるが、不均衡データや計算コストなど、多くの難しい問題により、このシステムの構築は困難である。
過去30年間で、不正検出に関する様々な研究があるが、不正検出システムを構築するための最良のアプローチについて合意はない。
この論文では いくつか質問に答えることを目指しています
一 容易に実装できるだけでなく、信頼性の高い結果も提供できる簡易かつ効果的なフラッド検出システムの構築方法及び提案したフラッド検出パイプラインは、システムの潜在的バックボーンであり、拡張やアップグレードが容易である。
二 プロセスの更新コストを低減するため、システム内のモデルを更新する(かつ精度を安定させる)とき。
三 不正検出等、ビッグデータ分類問題における極端な不均衡をどう扱うか。この二つの難題のギャップである。
さらに、グラフに基づく半教師付き学習を用いて不正取引を検出する方法。
関連論文リスト
- Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection [0.9831489366502302]
本研究は,これらの課題に対処するために,FL(Federated Learning)とXAI(Explainable AI)を用いた新しいアプローチを提案する。
FLは、金融機関が顧客データを直接共有することなく、不正取引を検出するモデルを協調的に訓練することを可能にする。
XAIは、モデルによってなされた予測が人間の専門家によって理解され解釈され、システムに透明性と信頼のレイヤを追加することを保証します。
論文 参考訳（メタデータ） (2023-12-20T18:26:59Z) - FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。
提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。
また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
論文 参考訳（メタデータ） (2023-12-02T18:33:05Z) - Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。
乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。
我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文 参考訳（メタデータ） (2023-10-07T10:20:26Z) - 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) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳（メタデータ） (2021-12-08T11:30:53Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - Fraud Detection using Data-Driven approach [0.0]
最初のオンラインバンキングは1980年に始まった。
インターネットバンキングの利用が絶え間なく増加し、多くのオンライン取引も不正行為を増やした。
本研究では,顧客行動に適応した効率的な不正検出モデルの構築を目的とする。
論文 参考訳（メタデータ） (2020-09-08T20:58:51Z) - 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) - Applying support vector data description for fraud detection [0.0]
不正検出の主な課題の1つは、複雑で困難な作業である不正サンプルの取得である。
この課題に対処するために,SVDDのような不正サンプルを必要としない一級分類法を適用した。
また,DBSCANの拡張であるREDBSCANを提案する。
論文 参考訳（メタデータ） (2020-05-31T21:31:32Z) - Transferable, Controllable, and Inconspicuous Adversarial Attacks on
Person Re-identification With Deep Mis-Ranking [83.48804199140758]
システム出力のランキングを乱す学習とミスランクの定式化を提案する。
また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。
そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
論文 参考訳（メタデータ） (2020-04-08T18:48:29Z)
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。