論文の概要: Evaluating resampling methods on a real-life highly imbalanced online
credit card payments dataset
- arxiv url: http://arxiv.org/abs/2206.13152v1
- Date: Mon, 27 Jun 2022 09:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:56:26.948828
- Title: Evaluating resampling methods on a real-life highly imbalanced online
credit card payments dataset
- Title(参考訳): 実生活の高度不均衡オンラインクレジットカード決済データセットにおける再サンプリング手法の評価
- Authors: Fran\c{c}ois de la Bourdonnaye, Fabrice Daniel
- Abstract要約: 本稿では,大規模なオンラインクレジットカード決済データセット上での最先端のリサンプリング手法について検討する。
メソッドは難易度が高いか、メトリクスが大幅に改善されないため、それらが非効率であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various problems of any credit card fraud detection based on machine learning
come from the imbalanced aspect of transaction datasets. Indeed, the number of
frauds compared to the number of regular transactions is tiny and has been
shown to damage learning performances, e.g., at worst, the algorithm can learn
to classify all the transactions as regular. Resampling methods and
cost-sensitive approaches are known to be good candidates to leverage this
issue of imbalanced datasets. This paper evaluates numerous state-of-the-art
resampling methods on a large real-life online credit card payments dataset. We
show they are inefficient because methods are intractable or because metrics do
not exhibit substantial improvements. Our work contributes to this domain in
(1) that we compare many state-of-the-art resampling methods on a large-scale
dataset and in (2) that we use a real-life online credit card payments dataset.
- Abstract(参考訳): 機械学習に基づくクレジットカード不正検出のさまざまな問題は、トランザクションデータセットの不均衡な側面から生じる。
実際、通常のトランザクション数と比較して不正行為の数は少なく、学習のパフォーマンスを損なうことが示されている(例えば、最悪の場合、アルゴリズムはすべてのトランザクションを通常のトランザクションに分類することを学べる)。
再サンプリング手法とコストに敏感なアプローチは、この不均衡データセットの問題を活用するための良い候補であることが知られている。
本稿では,大規模なオンラインクレジットカード決済データセットにおいて,最先端のリサンプリング手法を数多く評価する。
メソッドは難易度が高いか、メトリクスが大幅に改善されないため、それらが非効率であることを示す。
本研究は,(1)大規模データセットにおける最先端のリサンプリング手法と(2)実生活のオンラインクレジットカード決済データセットとを比較することで,この領域に寄与する。
関連論文リスト
- Credit Card Fraud Detection: A Deep Learning Approach [4.0361765428523135]
不正なクレジットカード取引により、多くの機関や個人によって実質的な金額が失われている。
本稿では,偽陽性率が非常に低い不正カバレッジを得るために,Deep Learningアルゴリズムを理解し,実装することを目的とする。
論文 参考訳(メタデータ) (2024-09-20T11:13:16Z) - Towards Evaluating Transfer-based Attacks Systematically, Practically,
and Fairly [79.07074710460012]
ディープニューラルネットワーク(DNN)の敵対的脆弱性に大きな注目を集めている。
ブラックボックスDNNモデルを騙すための転送ベース手法が増えている。
30以上のメソッドを実装した転送ベースアタックベンチマーク(TA-Bench)を確立する。
論文 参考訳(メタデータ) (2023-11-02T15:35:58Z) - Efficient Methods for Non-stationary Online Learning [67.3300478545554]
本稿では, 動的後悔と適応的後悔を最適化する効率的な手法を提案し, ラウンド当たりの投影回数を$mathcalO(log T)$から$ $1$まで削減した。
本手法は,パラメータフリーオンライン学習において開発された還元機構を基礎として,非定常オンライン手法に非自明なツイストを必要とする。
論文 参考訳(メタデータ) (2023-09-16T07:30:12Z) - 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) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳(メタデータ) (2023-04-20T17:11:05Z) - Credit Card Fraud Detection Using Enhanced Random Forest Classifier for
Imbalanced Data [0.8223798883838329]
本稿では,この問題を解決するためにランダムフォレスト(RF)アルゴリズムを実装した。
本研究ではクレジットカード取引のデータセットを用いた。
論文 参考訳(メタデータ) (2023-03-11T22:59:37Z) - Credit card fraud detection - Classifier selection strategy [0.0]
アノテーション付きトランザクションのサンプルを使用して、機械学習の分類アルゴリズムは不正を検出することを学習する。
不正データセットは多種多様で 矛盾した特徴を示します
特徴的不均衡な不正検出データセットに対するデータ駆動型分類器選択手法を提案する。
論文 参考訳(メタデータ) (2022-08-25T07:13:42Z) - Feature-Level Fusion of Super-App and Telecommunication Alternative Data
Sources for Credit Card Fraud Detection [106.33204064461802]
クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。
クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
論文 参考訳(メタデータ) (2021-11-05T19:10:35Z) - 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) - Credit card fraud detection using machine learning: A survey [0.5134435281973136]
本稿では,データ駆動型クレジットカード不正検出機能と,その複雑な課題に対処するための機械学習手法について検討する。
特に、まず一般的なクレジットカード検出タスクを特徴付けます。データセットとその属性、メトリックの選択と、そのような不均衡なデータセットを扱ういくつかの方法です。
論文 参考訳(メタデータ) (2020-10-13T15:35:32Z) - Overcoming the curse of dimensionality with Laplacian regularization in
semi-supervised learning [80.20302993614594]
ラプラシア正規化の欠点を克服するための統計的解析を提供する。
望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。
我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
論文 参考訳(メタデータ) (2020-09-09T14:28:54Z)
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。