論文の概要: A novel approach to increase scalability while training machine learning algorithms using Bfloat 16 in credit card fraud detection

• arxiv url: http://arxiv.org/abs/2206.12415v1
• Date: Fri, 24 Jun 2022 01:22:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 13:10:38.747428
• Title: A novel approach to increase scalability while training machine learning algorithms using Bfloat 16 in credit card fraud detection
• Title（参考訳）: クレジットカード詐欺検出におけるbfloat 16を用いた機械学習アルゴリズムの学習中に拡張性を高める新しい手法
• Authors: Bushra Yousuf, Rejwan Bin Sulaiman, Musarrat Saberin Nipun
• Abstract要約: 本研究は、銀行のクレジットカード不正検出システムにおける機械学習のスケーラビリティに焦点を当てる。 提案手法で利用可能な既存の機械学習アルゴリズムと手法を比較した。 目標は、機械学習アルゴリズムのトレーニングにビットが少ないため、よりスケーラブルなシステムが実現され、時間が短縮され、実装にコストがかかることを証明することだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of credit cards has become quite common these days as digital banking has become the norm. With this increase, fraud in credit cards also has a huge problem and loss to the banks and customers alike. Normal fraud detection systems, are not able to detect the fraud since fraudsters emerge with new techniques to commit fraud. This creates the need to use machine learning-based software to detect frauds. Currently, the machine learning softwares that are available focuses only on the accuracy of detecting frauds but does not focus on the cost or time factors to detect. This research focuses on machine learning scalability for banks' credit card fraud detection systems. We have compared the existing machine learning algorithms and methods that are available with the newly proposed technique. The goal is to prove that using fewer bits for training a machine learning algorithm will result in a more scalable system, that will reduce the time and will also be less costly to implement.
• Abstract（参考訳）: 近年、デジタルバンキングが一般化し、クレジットカードの利用が盛んになっている。 この増加により、クレジットカードの不正行為も大きな問題となり、銀行や顧客も損失を被ります。 通常の不正検出システムは、詐欺師が不正を犯す新しいテクニックを身につけるため、不正を検出することができない。 これにより、不正を検出するために機械学習ベースのソフトウェアを使用する必要が生じる。 現在利用可能な機械学習ソフトウェアは、不正検出の精度のみに焦点を当てているが、検出するコストや時間要素に焦点をあてていない。 本研究は、銀行のクレジットカード不正検出システムにおける機械学習のスケーラビリティに焦点を当てる。 提案手法で利用可能な既存の機械学習アルゴリズムと手法を比較した。 目標は、機械学習アルゴリズムのトレーニングにビットが少ないため、よりスケーラブルなシステムが実現され、時間が短縮され、実装にコストがかかることを証明することだ。

関連論文リスト

• 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)
• Credit Card Fraud Detection with Subspace Learning-based One-Class Classification [18.094622095967328]
  1クラス分類(OCC)アルゴリズムは、不均衡なデータ分散を扱うのに優れている。 これらのアルゴリズムは、部分空間学習をデータ記述に統合する。 これらのアルゴリズムは、OCCに最適化された低次元の部分空間にデータを変換する。
  論文  参考訳（メタデータ） (2023-09-26T12:26:28Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• 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)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Challenges and Complexities in Machine Learning based Credit Card Fraud Detection [0.0]
  取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。 機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。 しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
  論文  参考訳（メタデータ） (2022-08-20T07:53:51Z)
• Credit Card Fraud Detection using Machine Learning: A Study [2.5829043503611318]
  世界は急速にデジタル化に向かっており、貨幣取引はキャッシュレスになりつつある。 非詐欺行為から不正取引を分析し、検出する必要がある。 本稿では,クレジットカード不正を検出するための各種手法について概説する。
  論文  参考訳（メタデータ） (2021-08-23T08:30:24Z)
• Deep Learning Methods for Credit Card Fraud Detection [3.069837038535869]
  本稿では,クレジットカード詐欺検出問題の深層学習手法について検討する。 パフォーマンスを3つの金融データセット上のさまざまな機械学習アルゴリズムと比較する。 実験の結果,従来の機械学習モデルに対する深層学習手法の性能が向上した。
  論文  参考訳（メタデータ） (2020-12-07T14:48:58Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Uncovering Insurance Fraud Conspiracy with Network Learning [34.609076567889694]
  我々は,組織的な詐欺師の集団を識別する新しいデータ駆動手法を開発した。 請求者間でデバイス共有ネットワークを導入する。 そこで我々は,グラフ学習アルゴリズムに基づく不正検出の自動解法を開発した。
  論文  参考訳（メタデータ） (2020-02-27T13:15:30Z)

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。