論文の概要: Online Corrupted User Detection and Regret Minimization

• arxiv url: http://arxiv.org/abs/2310.04768v2
• Date: Tue, 10 Oct 2023 01:55:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 15:48:03.106112
• Title: Online Corrupted User Detection and Regret Minimization
• Title（参考訳）: オンライン破損によるユーザ検出とレグレット最小化
• Authors: Zhiyong Wang, Jize Xie, Tong Yu, Shuai Li, John C.S. Lui
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.536254494829436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world online web systems, multiple users usually arrive sequentially into the system. For applications like click fraud and fake reviews, some users can maliciously perform corrupted (disrupted) behaviors to trick the system. Therefore, it is crucial to design efficient online learning algorithms to robustly learn from potentially corrupted user behaviors and accurately identify the corrupted users in an online manner. Existing works propose bandit algorithms robust to adversarial corruption. However, these algorithms are designed for a single user, and cannot leverage the implicit social relations among multiple users for more efficient learning. Moreover, none of them consider how to detect corrupted users online in the multiple-user scenario. In this paper, we present an important online learning problem named LOCUD to learn and utilize unknown user relations from disrupted behaviors to speed up learning, and identify the corrupted users in an online setting. To robustly learn and utilize the unknown relations among potentially corrupted users, we propose a novel bandit algorithm RCLUB-WCU. To detect the corrupted users, we devise a novel online detection algorithm OCCUD based on RCLUB-WCU's inferred user relations. We prove a regret upper bound for RCLUB-WCU, which asymptotically matches the lower bound with respect to $T$ up to logarithmic factors, and matches the state-of-the-art results in degenerate cases. We also give a theoretical guarantee for the detection accuracy of OCCUD. With extensive experiments, our methods achieve superior performance over previous bandit algorithms and high corrupted user detection accuracy.
• Abstract（参考訳）: 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。 クリック詐欺や偽レビューのようなアプリケーションでは、悪意のある(破損した)動作を実行してシステムを騙すことができる。 したがって、潜在的に破損したユーザ行動から堅牢に学習し、腐敗したユーザをオンラインで正確に識別する効率的なオンライン学習アルゴリズムを設計することが重要である。 既存の研究は、敵対的腐敗に頑健なバンディットアルゴリズムを提案する。 しかし、これらのアルゴリズムは単一のユーザ向けに設計されており、より効率的な学習のために複数のユーザ間の暗黙的な社会的関係を活用できない。 さらに、複数のユーザシナリオでオンラインの腐敗したユーザを検出する方法も検討されていない。 本稿では,乱れた行動から未知のユーザ関係を学習し活用し,学習を高速化し,オンライン環境での崩壊したユーザを特定するために,locudという重要なオンライン学習問題を提案する。 潜在的なユーザ間の未知の関係を頑健に学習し,活用するために,新しい帯域幅アルゴリズム RCLUB-WCU を提案する。 不正ユーザを検出するために,rclub-wcuが推定した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を開発した。 RCLUB-WCUは, 対数的因子に対して$T$と漸近的に一致し, 縮退した場合の最先端結果と一致している。 また,OCCUDの検出精度を理論的に保証する。 大規模な実験により,従来の帯域幅アルゴリズムよりも優れた性能と高精度なユーザ検出を実現する。

関連論文リスト

• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• 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)
• Scalable Neural Contextual Bandit for Recommender Systems [20.54959238452023]
  エピステマティック・ニューラルレコメンデーション(英: Epistemic Neural Recommendation)は、リコメンダシステムのためのスケーラブルなサンプル効率なニューラルコンテクチュアル・バンディットアルゴリズムである。 ENRはクリックスルー率とユーザレーティングをそれぞれ少なくとも9%と6%向上させる。 最良性能のベースラインアルゴリズムと比較して、少なくとも29%のユーザインタラクションで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-06-26T16:39:39Z)
• PAC-Based Formal Verification for Out-of-Distribution Data Detection [4.406331747636832]
  本研究は、VAEの符号化プロセスを用いて、OOD検出に基づくほぼ正しい(PAC)保証を行う。 ユーザ定義の信頼性で不慣れなインスタンスに検出エラーをバインドするために使用される。
  論文  参考訳（メタデータ） (2023-04-04T07:33:02Z)
• Detecting and Quantifying Malicious Activity with Simulation-based Inference [61.9008166652035]
  本稿では,レコメンデーションアルゴリズムと相互作用する正規および悪意のあるユーザのモデルを用いて,悪意のあるユーザ識別実験を行う。 本稿では,ユーザやグループの影響を定量化するためのシミュレーションに基づく新しい尺度を提案する。
  論文  参考訳（メタデータ） (2021-10-06T03:39:24Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• 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)
• Smartphone Impostor Detection with Behavioral Data Privacy and Minimalist Hardware Support [7.374079197112307]
  impostorは、スマートフォンを乗っ取り、合法的なユーザーの機密情報や個人情報にアクセスする攻撃者です。 本稿では,簡単な深層学習アルゴリズムを用いてイポスタを素早く検出する防御機構を提案する。 また,スマートフォンインポスタ検出器用sidと呼ばれるミニマリストハードウェアモジュールを,自己完結インポスタ検出のためにスマートフォンに設計・統合する方法を示す。
  論文  参考訳（メタデータ） (2021-03-11T04:39:53Z)

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。