論文の概要: VecAug: Unveiling Camouflaged Frauds with Cohort Augmentation for Enhanced Detection

• arxiv url: http://arxiv.org/abs/2408.00513v1
• Date: Thu, 1 Aug 2024 12:39:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 20:36:37.960787
• Title: VecAug: Unveiling Camouflaged Frauds with Cohort Augmentation for Enhanced Detection
• Title（参考訳）: VecAug:Cohort Augmentation を併用したカモフラージュの発見
• Authors: Fei Xiao, Shaofeng Cai, Gang Chen, H. V. Jagadish, Beng Chin Ooi, Meihui Zhang,
• Abstract要約: 既存の不正検出方法は、グラフベースまたはシーケンスベースアプローチに依存している。 VecAugは、新しいコホート強化学習フレームワークである。 当社のフレームワークをeコマースプラットフォーム上に展開し、3つの不正検出データセットで評価する。
• 参考スコア（独自算出の注目度）: 26.35056300387743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fraud detection presents a challenging task characterized by ever-evolving fraud patterns and scarce labeled data. Existing methods predominantly rely on graph-based or sequence-based approaches. While graph-based approaches connect users through shared entities to capture structural information, they remain vulnerable to fraudsters who can disrupt or manipulate these connections. In contrast, sequence-based approaches analyze users' behavioral patterns, offering robustness against tampering but overlooking the interactions between similar users. Inspired by cohort analysis in retention and healthcare, this paper introduces VecAug, a novel cohort-augmented learning framework that addresses these challenges by enhancing the representation learning of target users with personalized cohort information. To this end, we first propose a vector burn-in technique for automatic cohort identification, which retrieves a task-specific cohort for each target user. Then, to fully exploit the cohort information, we introduce an attentive cohort aggregation technique for augmenting target user representations. To improve the robustness of such cohort augmentation, we also propose a novel label-aware cohort neighbor separation mechanism to distance negative cohort neighbors and calibrate the aggregated cohort information. By integrating this cohort information with target user representations, VecAug enhances the modeling capacity and generalization capabilities of the model to be augmented. Our framework is flexible and can be seamlessly integrated with existing fraud detection models. We deploy our framework on e-commerce platforms and evaluate it on three fraud detection datasets, and results show that VecAug improves the detection performance of base models by up to 2.48\% in AUC and 22.5\% in R@P$_{0.9}$, outperforming state-of-the-art methods significantly.
• Abstract（参考訳）: 不正検出は、絶え間なく進化する不正パターンとラベル付きデータの不足を特徴とする、困難なタスクを提示する。 既存の手法は主にグラフベースのアプローチやシーケンスベースのアプローチに依存している。 グラフベースのアプローチは、共有エンティティを通じてユーザを接続して構造情報をキャプチャするが、これらの接続をディスラプトしたり操作したりできる詐欺師には弱いままである。 対照的に、シーケンスベースのアプローチは、ユーザの行動パターンを分析し、改ざんに対する堅牢性を提供するが、類似したユーザ間のインタラクションを見落としている。 維持医療におけるコホート分析に触発された本研究では,個人化されたコホート情報を用いた対象ユーザの表現学習を強化することで,これらの課題に対処する新しいコホート強化学習フレームワークであるVecAugを紹介する。 そこで本研究では,まず,目標ユーザ毎のタスク固有のコホートを検索する,自動コホート識別のためのベクトルバーンイン手法を提案する。 そして,コホート情報を完全に活用するために,対象ユーザ表現を増強するための注意深いコホート集約手法を導入する。 また,このようなコホート強化の堅牢性を向上させるために,負のコホート隣人を遠ざけ,集約したコホート情報を校正するラベル付きコホート隣人分離機構を提案する。 このコホート情報を対象のユーザ表現と統合することにより、VecAugは拡張対象モデルのモデリング能力と一般化能力を高める。 私たちのフレームワークは柔軟で、既存の不正検出モデルとシームレスに統合できます。 我々は,Eコマースプラットフォーム上でフレームワークをデプロイし,不正検出データセットを3つ評価し,その結果,VecAugはAUCで最大2.48倍,R@P$_{0.9}$で22.5倍の精度でベースモデルの検出性能を向上し,最先端の手法を著しく上回ることを示した。

関連論文リスト

• Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
  適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T15:51:09Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。