Fugu-MT 論文翻訳(概要): Robust Fraud Detection via Supervised Contrastive Learning

論文の概要: Robust Fraud Detection via Supervised Contrastive Learning

arxiv url: http://arxiv.org/abs/2308.10055v1
Date: Sat, 19 Aug 2023 15:33:53 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 18:09:25.295755
Title: Robust Fraud Detection via Supervised Contrastive Learning
Title（参考訳）: 教師付きコントラスト学習によるロバストフラッド検出
Authors: Vinay M.S., Shuhan Yuan, Xintao Wu
Abstract要約: 多くの実世界のシナリオでは、少数のラベル付き悪意のあるセッションと大量の通常のセッションしか利用できない。これらの少数のラベル付き悪意のあるセッションは、通常、可能なすべての悪意のあるセッションの多様性をカバーしない。本稿では,このオープンセットの不正検出問題に対処するため,ConRoと呼ばれる頑健な教師付きコントラスト学習ベースのフレームワークを提案する。
参考スコア（独自算出の注目度）: 21.411467121378895
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models have recently become popular for detecting malicious user activity sessions in computing platforms. In many real-world scenarios, only a few labeled malicious and a large amount of normal sessions are available. These few labeled malicious sessions usually do not cover the entire diversity of all possible malicious sessions. In many scenarios, possible malicious sessions can be highly diverse. As a consequence, learned session representations of deep learning models can become ineffective in achieving a good generalization performance for unseen malicious sessions. To tackle this open-set fraud detection challenge, we propose a robust supervised contrastive learning based framework called ConRo, which specifically operates in the scenario where only a few malicious sessions having limited diversity is available. ConRo applies an effective data augmentation strategy to generate diverse potential malicious sessions. By employing these generated and available training set sessions, ConRo derives separable representations w.r.t open-set fraud detection task by leveraging supervised contrastive learning. We empirically evaluate our ConRo framework and other state-of-the-art baselines on benchmark datasets. Our ConRo framework demonstrates noticeable performance improvement over state-of-the-art baselines.
Abstract（参考訳）: ディープラーニングモデルは最近、コンピューティングプラットフォームにおける悪意のあるユーザアクティビティセッションの検出で人気を集めている。多くの実世界のシナリオでは、少数のラベル付き悪意のあるセッションと大量の通常のセッションしか利用できない。これらのラベル付き悪意のあるセッションは、通常、すべての悪質なセッションの多様性全体をカバーするものではない。多くのシナリオでは、悪意のあるセッションは非常に多様である。その結果、ディープラーニングモデルの学習されたセッション表現は、悪意のないセッションに対する優れた一般化性能を達成するのに役に立たない。オープンセットの不正検出の課題に取り組むため,我々はconroと呼ばれるロバストな教師付きコントラスト学習ベースのフレームワークを提案する。 conroは、さまざまな潜在的な悪意のあるセッションを生成するために、効果的なデータ拡張戦略を適用する。これらの生成および利用可能なトレーニングセットセッションを利用することで、ConRoは、教師付きコントラスト学習を活用することで、オープンセット詐欺検出タスクの分離可能な表現を導出する。ベンチマークデータセット上でconroフレームワークや最先端のベースラインを実証的に評価しています。当社のConRoフレームワークは,最先端のベースラインよりも顕著なパフォーマンス向上を実現しています。

関連論文リスト

Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
論文参考訳（メタデータ） (2024-02-13T22:07:29Z)
Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework [3.759936323189418]
コミュニケーションのオーバーヘッドが低く,タスク依存度が低いため,共同学習において表現学習には独特なアドバンテージがあることがわかった。 ARSは、ユーザがモデルを訓練するためにデータの表現を共有する協調学習フレームワークである。我々は,本機構がモデル逆攻撃に対して有効であることを実証し,プライバシとユーティリティのバランスを実現する。
論文参考訳（メタデータ） (2022-03-27T13:29:15Z)
Weakly Supervised Contrastive Learning [68.47096022526927]
この問題に対処するために,弱教師付きコントラスト学習フレームワーク(WCL)を導入する。 WCLはResNet50を使用して65%と72%のImageNet Top-1の精度を実現している。
論文参考訳（メタデータ） (2021-10-10T12:03:52Z)
Detecting adversaries in Crowdsourcing [71.20185379303479]
本研究は, クラウドソース型分類における敵の影響を, 人気のダウィド・アンド・スケネモデルを用いて検討する。敵は、クラウドソーシングモデルから任意に逸脱することを許され、潜在的に協力する可能性がある。我々は,アノテータ応答の2次モーメント構造を利用して,多数の敵を識別し,クラウドソーシングタスクへの影響を軽減するアプローチを開発した。
論文参考訳（メタデータ） (2021-10-07T15:07:07Z)
An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文参考訳（メタデータ） (2021-08-15T15:05:02Z)
Revisiting Contrastive Learning for Few-Shot Classification [74.78397993160583]
インスタンス識別に基づくコントラスト学習は,視覚表現の自己教師あり学習の指導的アプローチとして現れてきた。本稿では,インスタンス識別に基づくコントラスト型自己教師付き学習フレームワークにおいて,新しいタスクを一般化する表現を学習する方法を示す。提案手法は,cidを用いて訓練された普遍的埋め込みと組み合わせて,挑戦的メタデータセットベンチマークにおいて最先端アルゴリズムよりも優れる新しいモデル選択アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-26T19:58:08Z)
Representation Learning from Limited Educational Data with Crowdsourced Labels [45.44620098891902]
本稿では,クラウドソースラベルを用いた限られたデータから効率的な表現を学習することを目的とした,新しいフレームワークを提案する。具体的には、グループ化に基づくディープニューラルネットワークを設計し、限られた数のトレーニングサンプルから埋め込みを学習する。本研究では,モデルが誤分類したトレーニング例を適応的に選択するハードサンプル選択手法を開発した。
論文参考訳（メタデータ） (2020-09-23T15:34:40Z)
A Wholistic View of Continual Learning with Deep Neural Networks: Forgotten Lessons and the Bridge to Active and Open World Learning [8.188575923130662]
オープンデータセット認識による顕著な教訓,観測データセット外の統計的逸脱したデータの識別,および近接するアクティブラーニングの分野は,深層学習時代においてしばしば見過ごされる。我々の結果は、これは個々のパラダイムに利益をもたらすだけでなく、共通のフレームワークにおける自然なシナジーを強調していることを示している。
論文参考訳（メタデータ） (2020-09-03T16:56:36Z)
Reinforcement Learning with Supervision from Noisy Demonstrations [38.00968774243178]
本研究では,環境と協調して対話し,専門家による実演を生かして政策を適応的に学習する新しい枠組みを提案する。複数の人気強化学習アルゴリズムを用いた各種環境における実験結果から,提案手法はノイズの多い実演で頑健に学習可能であることが示された。
論文参考訳（メタデータ） (2020-06-14T06:03:06Z)
Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-13T08:24:33Z)
Unsupervised and Interpretable Domain Adaptation to Rapidly Filter Tweets for Emergency Services [18.57009530004948]
本稿では,TRECインシデントストリームの公開データセットを用いて,危機時に関連するツイートを分類する新しい手法を提案する。私たちは各タスクに専用の注意層を使用して、モデル解釈可能性を提供しています。新型コロナウイルスのパンデミックに対するユースケースを提供することで、我々の仕事の実践的な意味を示す。
論文参考訳（メタデータ） (2020-03-04T06:40:14Z)

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。