論文の概要: Enhancing Trust and Safety in Digital Payments: An LLM-Powered Approach
- arxiv url: http://arxiv.org/abs/2410.19845v1
- Date: Mon, 21 Oct 2024 15:21:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-03 07:22:00.475878
- Title: Enhancing Trust and Safety in Digital Payments: An LLM-Powered Approach
- Title（参考訳）: デジタルペイメントにおける信頼と安全の促進--LCMによるアプローチ
- Authors: Devendra Dahiphale, Naveen Madiraju, Justin Lin, Rutvik Karve, Monu Agrawal, Anant Modwal, Ramanan Balakrishnan, Shanay Shah, Govind Kaushal, Priya Mandawat, Prakash Hariramani, Arif Merchant,
- Abstract要約: 本稿では,インドにおけるUPI(Unified Payments Interface)とGoogle Pay(GPay)をユースケースとして,詐欺検出の包括的アプローチを提案する。
このアプローチはLarge Language Models(LLM)を活用して、詐欺の分類精度を高め、不正行為の特定と軽減にヒトレビュアーを支援するデジタルアシスタントを設計する。
この結果は、既存の機械学習モデルを強化し、詐欺レビューの効率、正確性、品質、一貫性を改善し、最終的により安全でセキュアなデジタル支払いのランドスケープに寄与する可能性を実証している。
- 参考スコア（独自算出の注目度）: 0.23335684248539582
- License:
- Abstract: Digital payment systems have revolutionized financial transactions, offering unparalleled convenience and accessibility to users worldwide. However, the increasing popularity of these platforms has also attracted malicious actors seeking to exploit their vulnerabilities for financial gain. To address this challenge, robust and adaptable scam detection mechanisms are crucial for maintaining the trust and safety of digital payment ecosystems. This paper presents a comprehensive approach to scam detection, focusing on the Unified Payments Interface (UPI) in India, Google Pay (GPay) as a specific use case. The approach leverages Large Language Models (LLMs) to enhance scam classification accuracy and designs a digital assistant to aid human reviewers in identifying and mitigating fraudulent activities. The results demonstrate the potential of LLMs in augmenting existing machine learning models and improving the efficiency, accuracy, quality, and consistency of scam reviews, ultimately contributing to a safer and more secure digital payment landscape. Our evaluation of the Gemini Ultra model on curated transaction data showed a 93.33% accuracy in scam classification. Furthermore, the model demonstrated 89% accuracy in generating reasoning for these classifications. A promising fact, the model identified 32% new accurate reasons for suspected scams that human reviewers had not included in the review notes.
- Abstract（参考訳）: デジタル決済システムは金融取引に革命をもたらし、世界中のユーザーに対して、例外なく利便性とアクセシビリティを提供する。
しかし、これらのプラットフォームの人気が高まり、悪質なアクターが金融上の利益のためにその脆弱性を悪用しようと試みている。
この課題に対処するためには、デジタル決済エコシステムの信頼性と安全性を維持するために、堅牢で適応可能な詐欺検知メカニズムが不可欠である。
本稿では,インドにおけるUPI(Unified Payments Interface)とGoogle Pay(GPay)をユースケースとして,詐欺検出の包括的アプローチを提案する。
このアプローチはLarge Language Models(LLM)を活用して、詐欺の分類精度を高め、不正行為の特定と軽減にヒトレビュアーを支援するデジタルアシスタントを設計する。
この結果は、既存の機械学習モデルを強化し、詐欺レビューの効率、正確性、品質、一貫性を改善し、最終的により安全でセキュアなデジタル支払いのランドスケープに寄与する可能性を実証している。
キュレートされた取引データに対するジェミニ・ウルトラモデルの評価は,詐欺分類において93.33%の精度を示した。
さらに,これらの分類の推論の精度は89%であった。
有望な事実として、このモデルは、人間レビュアーがレビューノートに含まれていない疑いのある詐欺の32%の新しい正確な理由を特定した。
関連論文リスト
- Enhancing Credit Card Fraud Detection A Neural Network and SMOTE Integrated Approach [4.341096233663623]
本研究では、ニューラルネットワーク(NN)とSMOTE(Synthet ic Minority Over-Sampling Technique)を組み合わせて検出性能を向上させる革新的な手法を提案する。
この研究は、クレジットカード取引データに固有の不均衡に対処し、堅牢で正確な不正検出のための技術的進歩に焦点を当てた。
論文 参考訳（メタデータ） (2024-02-27T02:26:04Z) - Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection [0.9831489366502302]
本研究は,これらの課題に対処するために,FL(Federated Learning)とXAI(Explainable AI)を用いた新しいアプローチを提案する。
FLは、金融機関が顧客データを直接共有することなく、不正取引を検出するモデルを協調的に訓練することを可能にする。
XAIは、モデルによってなされた予測が人間の専門家によって理解され解釈され、システムに透明性と信頼のレイヤを追加することを保証します。
論文 参考訳（メタデータ） (2023-12-20T18:26:59Z) - FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。
提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。
また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
論文 参考訳（メタデータ） (2023-12-02T18:33:05Z) - 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) - Prompting GPT-3 To Be Reliable [117.23966502293796]
この研究は信頼性を一般化可能性、公平性、校正性、事実性という4つの側面に分解する。
GPT-3はこれらすべての面において,より小型の教師付きモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-10-17T14:52:39Z) - Empirical study of Machine Learning Classifier Evaluation Metrics
behavior in Massively Imbalanced and Noisy data [0.0]
我々は、実世界の不正検出データセットに典型的な人間のアノテーションエラーと極端な不均衡をモデル化するための理論的基盤を開発する。
我々は、F1スコアとg平均の組み合わせが、典型的な不均衡不正検出モデル分類における最良の評価指標であることを実証した。
論文 参考訳（メタデータ） (2022-08-25T07:30:31Z) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳（メタデータ） (2021-12-08T11:30:53Z) - 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) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z) - SpotTheFake: An Initial Report on a New CNN-Enhanced Platform for
Counterfeit Goods Detection [68.8204255655161]
偽物取引は現在では世界貿易の3.3%以上を占めている。
本稿では,新しい偽物検出プラットフォームの設計と初期開発について述べる。
論文 参考訳（メタデータ） (2020-02-17T01:51:22Z)
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。