論文の概要: Financial fraud detection system based on improved random forest and gradient boosting machine (GBM)

• arxiv url: http://arxiv.org/abs/2502.15822v1
• Date: Thu, 20 Feb 2025 03:27:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:22.199840
• Title: Financial fraud detection system based on improved random forest and gradient boosting machine (GBM)
• Title（参考訳）: 改良された無作為林と勾配増進機(GBM)による金融詐欺検知システム
• Authors: Tianzuo Hu,
• Abstract要約: 本稿では、改良されたランダムフォレスト(RF)とグラデーションブースティングマシン(GBM)に基づく金融不正検出システムを提案する。 SSRF林の計算効率と特徴抽出能力は,金融不正検出の性能を著しく向上させた。 実験の結果, GBM-SSRFモデルの性能は良好であるだけでなく, 堅牢性や一般化性も良好であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper proposes a financial fraud detection system based on improved Random Forest (RF) and Gradient Boosting Machine (GBM). Specifically, the system introduces a novel model architecture called GBM-SSRF (Gradient Boosting Machine with Simplified and Strengthened Random Forest), which cleverly combines the powerful optimization capabilities of the gradient boosting machine (GBM) with improved randomization. The computational efficiency and feature extraction capabilities of the Simplified and Strengthened Random Forest (SSRF) forest significantly improve the performance of financial fraud detection. Although the traditional random forest model has good classification capabilities, it has high computational complexity when faced with large-scale data and has certain limitations in feature selection. As a commonly used ensemble learning method, the GBM model has significant advantages in optimizing performance and handling nonlinear problems. However, GBM takes a long time to train and is prone to overfitting problems when data samples are unbalanced. In response to these limitations, this paper optimizes the random forest based on the structure, reducing the computational complexity and improving the feature selection ability through the structural simplification and enhancement of the random forest. In addition, the optimized random forest is embedded into the GBM framework, and the model can maintain efficiency and stability with the help of GBM's gradient optimization capability. Experiments show that the GBM-SSRF model not only has good performance, but also has good robustness and generalization capabilities, providing an efficient and reliable solution for financial fraud detection.
• Abstract（参考訳）: 本稿では、改良されたランダムフォレスト(RF)とグラディエントブースティングマシン(GBM)に基づく金融詐欺検知システムを提案する。 具体的には、GBM-SSRF(Gradient Boosting Machine with Simplified and Strengthened Random Forest)と呼ばれる新しいモデルアーキテクチャを導入する。 Simplified andened Random Forest (SSRF)林の計算効率と特徴抽出能力は,金融詐欺検出の性能を著しく向上させた。 従来のランダムフォレストモデルには優れた分類能力があるが、大規模データに直面すると計算の複雑さが高く、特徴選択に一定の制限がある。 一般的なアンサンブル学習法として、GBMモデルは性能を最適化し、非線形問題に対処する上で大きな利点がある。 しかし、GBMはトレーニングに長い時間がかかるため、データサンプルがバランスが取れていない場合、問題に過度に適合する傾向にある。 これらの制約に応えて,この構造に基づいてランダム林を最適化し,計算複雑性を低減し,ランダム林の簡易化と強化により特徴選択能力を向上させる。 さらに、最適化されたランダムフォレストをGBMフレームワークに組み込み、GBMの勾配最適化機能を利用して効率と安定性を維持することができる。 実験の結果,GBM-SSRFモデルの性能は良好であるだけでなく,ロバスト性や一般化性も良好であることがわかった。

関連論文リスト

• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• DynFrs: An Efficient Framework for Machine Unlearning in Random Forest [2.315324942451179]
  DynFrsはランダムフォレストにおける効率的な機械学習を可能にするために設計されたフレームワークである。 実験では、DynfrsをExtremely Treesに適用すると、大幅に改善される。
  論文  参考訳（メタデータ） (2024-10-02T14:20:30Z)
• Self-Evolutionary Large Language Models through Uncertainty-Enhanced Preference Optimization [9.618391485742968]
  反復的選好最適化は、最近、大規模言語モデル(LLM)のデファクトトレーニングパラダイムの1つになっている。 我々は、信頼性の高いフィードバックでLLMを自己進化させる不確実性のあるtextbfPreference textbfOptimizationフレームワークを提案する。 筆者らのフレームワークは,ノイズ問題を大幅に軽減し,反復的選好最適化の性能を向上させる。
  論文  参考訳（メタデータ） (2024-09-17T14:05:58Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Federated Bayesian Optimization via Thompson Sampling [33.087439644066876]
  本稿では,FBOとFLの主な課題を原則的に克服するフェデレートトンプソンサンプリング(FTS)を提案する。 通信効率, 計算効率, 実用性能の観点から, FTS の有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2020-10-20T09:42:17Z)
• Fast Immune System Inspired Hypermutation Operators for Combinatorial Optimisation [0.0]
  突然変異ポテンシャルを持つ従来のハイパーミューテーションの修正を提案する。 完全標準Opt-IA AISの分析において,HMP演算子と従来の演算子との優位性を示す。
  論文  参考訳（メタデータ） (2020-09-01T16:22:57Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。