論文の概要: Advanced Payment Security System:XGBoost, LightGBM and SMOTE Integrated
- arxiv url: http://arxiv.org/abs/2406.04658v2
- Date: Fri, 26 Jul 2024 05:07:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 17:42:34.324745
- Title: Advanced Payment Security System:XGBoost, LightGBM and SMOTE Integrated
- Title（参考訳）: アドバンストペイメントセキュリティシステム:XGBoost, LightGBM, SMOTEの統合
- Authors: Qi Zheng, Chang Yu, Jin Cao, Yongshun Xu, Qianwen Xing, Yinxin Jin,
- Abstract要約: 本研究では,XGBoostとLightGBMに基づく高度な機械学習モデルの適用について検討する。
高度に相関した特徴を選択することで,トレーニングプロセスの強化とモデル性能の向上を図った。
我々は,SMOTEとXGBoostとLightGBMの組み合わせが,支払いセキュリティ保護の極めて効率的かつ強力なメカニズムを提供することを明らかにした。
- 参考スコア（独自算出の注目度）: 16.906931748453342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rise of various online and mobile payment systems, transaction fraud has become a significant threat to financial security. This study explores the application of advanced machine learning models, specifically based on XGBoost and LightGBM, for developing a more accurate and robust Payment Security Protection Model. To enhance data reliability, we meticulously processed the data sources and applied SMOTE (Synthetic Minority Over-sampling Technique) to address class imbalance and improve data representation. By selecting highly correlated features, we aimed to strengthen the training process and boost model performance. We conducted thorough performance evaluations of our proposed models, comparing them against traditional methods including Random Forest, Neural Network, and Logistic Regression. Using metrics such as Precision, Recall, and F1 Score, we rigorously assessed their effectiveness. Our detailed analyses and comparisons reveal that the combination of SMOTE with XGBoost and LightGBM offers a highly efficient and powerful mechanism for payment security protection. Moreover, the integration of XGBoost and LightGBM in a Local Ensemble model further demonstrated outstanding performance. After incorporating SMOTE, the new combined model achieved a significant improvement of nearly 6\% over traditional models and around 5\% over its sub-models, showcasing remarkable results.
- Abstract（参考訳）: 様々なオンラインおよびモバイル決済システムが台頭し、取引詐欺は金融セキュリティにとって重大な脅威となっている。
本研究では、より正確で堅牢なPayment Security Protection Modelの開発に、特にXGBoostとLightGBMをベースとした高度な機械学習モデルの適用について検討する。
データ信頼性を向上させるため,データソースを慎重に処理し,SMOTE(Synthetic Minority Over-Sampling Technique)を用いてクラス不均衡に対処し,データ表現を改善する。
高度に相関した特徴を選択することで,トレーニングプロセスの強化とモデル性能の向上を図った。
提案したモデルの性能評価を,ランダムフォレスト,ニューラルネットワーク,ロジスティック回帰といった従来の手法と比較した。
精度、リコール、F1スコアなどのメトリクスを使用して、その効果を厳格に評価しました。
我々は,SMOTEとXGBoostとLightGBMの組み合わせが,支払いセキュリティ保護の極めて効率的かつ強力なメカニズムを提供することを明らかにした。
さらに、ローカルアンサンブルモデルにおけるXGBoostとLightGBMの統合は、さらに優れた性能を示した。
SMOTEを組み込んだ後、新しい組み合わせモデルは従来のモデルよりも6倍近く、サブモデルより約5倍の大幅な改善を実現し、顕著な結果を示した。
関連論文リスト
- Enhancing Few-Shot Learning with Integrated Data and GAN Model Approaches [35.431340001608476]
本稿では,データ拡張とモデルファインチューニングを融合することで,少数ショット学習を向上するための革新的なアプローチを提案する。
薬物発見、ターゲット認識、悪意のあるトラフィック検出などの分野で、小さなサンプルデータによって引き起こされる課題に対処することを目的としている。
その結果,本研究で開発されたMhERGANアルゴリズムは,数発の学習に極めて有効であることが確認された。
論文 参考訳（メタデータ） (2024-11-25T16:51:11Z) - A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - A Hybrid Defense Strategy for Boosting Adversarial Robustness in Vision-Language Models [9.304845676825584]
本稿では,複数の攻撃戦略と高度な機械学習技術を統合した,新たな敵訓練フレームワークを提案する。
CIFAR-10 や CIFAR-100 などの実世界のデータセットで行った実験により,提案手法がモデルロバスト性を大幅に向上することを示した。
論文 参考訳（メタデータ） (2024-10-18T23:47:46Z) - UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。
我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。
不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文 参考訳（メタデータ） (2024-10-03T17:39:38Z) - Enhanced Credit Score Prediction Using Ensemble Deep Learning Model [12.85570952381681]
本稿では,現代銀行システムですでに広く利用されているXGBoostやLightGBMのような高性能モデルと,強力なTabNetモデルを組み合わせる。
我々は、ランダムフォレスト、XGBoost、TabNetを統合し、アンサンブルモデリングにおける積み重ね手法により、クレジットスコアレベルを正確に決定できる強力なモデルを開発した。
論文 参考訳（メタデータ） (2024-09-30T21:56:16Z) - Credit Card Fraud Detection Using Advanced Transformer Model [15.34892016767672]
本研究は、より堅牢で正確な不正検出のための最新のTransformerモデルの革新的な応用に焦点を当てる。
データソースを慎重に処理し、データセットのバランスをとり、データの分散性の問題に対処しました。
我々は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ニューラルネットワーク(Neural Network)、ロジスティック回帰(Logistic Regression)など、広く採用されているいくつかのモデルと性能比較を行った。
論文 参考訳（メタデータ） (2024-06-06T04:12:57Z) - CATfOOD: Counterfactual Augmented Training for Improving Out-of-Domain
Performance and Calibration [59.48235003469116]
データの増大はOOD性能を継続的に向上させることを示す。
また, CF拡張モデルのキャリブレーションが容易な場合, 重要度を割り当てる場合, エントロピーがはるかに低いことを示す。
論文 参考訳（メタデータ） (2023-09-14T16:16:40Z) - CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal
Relationships [8.679073301435265]
既存のデータに摂動を適用することにより、モデルロバスト性の評価と改善のための新しいベンチマークを構築する。
我々はこれらのラベルを使用して、現場から非因果的エージェントを削除することでデータを摂動する。
非因果摂動下では, minADE の相対的な変化は, 原型と比較して25$-$38%である。
論文 参考訳（メタデータ） (2022-07-07T21:28:23Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳（メタデータ） (2021-12-01T17:11:22Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z)
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。