論文の概要: Unsupervised Detection of Fraudulent Transactions in E-commerce Using Contrastive Learning
- arxiv url: http://arxiv.org/abs/2503.18841v1
- Date: Mon, 24 Mar 2025 16:14:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:38.794386
- Title: Unsupervised Detection of Fraudulent Transactions in E-commerce Using Contrastive Learning
- Title(参考訳): コントラスト学習を用いた電子商取引における不正取引の教師なし検出
- Authors: Xuan Li, Yuting Peng, Xiaoxuan Sun, Yifei Duan, Zhou Fang, Tengda Tang,
- Abstract要約: 電子商取引プラットフォームは、詐欺の脅威が増えている。
従来の不正検出手法は、大量のラベル付きデータを必要とする教師付き学習に依存している。
そこで本研究では,SimCLRに基づく教師なしeコマース不正検出アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 9.199789653471269
- License:
- Abstract: With the rapid development of e-commerce, e-commerce platforms are facing an increasing number of fraud threats. Effectively identifying and preventing these fraudulent activities has become a critical research problem. Traditional fraud detection methods typically rely on supervised learning, which requires large amounts of labeled data. However, such data is often difficult to obtain, and the continuous evolution of fraudulent activities further reduces the adaptability and effectiveness of traditional methods. To address this issue, this study proposes an unsupervised e-commerce fraud detection algorithm based on SimCLR. The algorithm leverages the contrastive learning framework to effectively detect fraud by learning the underlying representations of transaction data in an unlabeled setting. Experimental results on the eBay platform dataset show that the proposed algorithm outperforms traditional unsupervised methods such as K-means, Isolation Forest, and Autoencoders in terms of accuracy, precision, recall, and F1 score, demonstrating strong fraud detection capabilities. The results confirm that the SimCLR-based unsupervised fraud detection method has broad application prospects in e-commerce platform security, improving both detection accuracy and robustness. In the future, with the increasing scale and diversity of datasets, the model's performance will continue to improve, and it could be integrated with real-time monitoring systems to provide more efficient security for e-commerce platforms.
- Abstract(参考訳): 電子商取引の急速な発展に伴い、電子商取引プラットフォームは詐欺の脅威が増えている。
これらの不正行為を効果的に特定・防止することは、重要な研究課題となっている。
従来の不正検出手法は一般に大量のラベル付きデータを必要とする教師付き学習に依存している。
しかし、このようなデータは入手が難しいことが多く、不正行為の継続的な進化により、従来の手法の適応性と有効性がさらに低下する。
そこで本研究では,SimCLRに基づく教師なしeコマース不正検出アルゴリズムを提案する。
このアルゴリズムは、対照的な学習フレームワークを利用して、未ラベルの環境でトランザクションデータの基盤となる表現を学習することで、不正を効果的に検出する。
eBayプラットフォームデータセットの実験結果は、提案アルゴリズムがK平均、分離フォレスト、オートエンコーダといった従来の教師なしの手法よりも精度、精度、リコール、F1スコアで優れており、強力な不正検出能力を示していることを示している。
その結果、SimCLRをベースとした不正監視手法は、電子商取引プラットフォームのセキュリティにおいて幅広い応用可能性を持ち、検出精度と堅牢性の両方を改善していることを確認した。
将来的には、データセットのスケールと多様性の増大により、モデルのパフォーマンスは改善され続け、リアルタイム監視システムと統合して、Eコマースプラットフォームのより効率的なセキュリティを提供することが可能になる。
関連論文リスト
- An Efficient Outlier Detection Algorithm for Data Streaming [51.56874851156008]
Local Outlier Factor (LOF)アルゴリズムのような従来の異常検出手法は、リアルタイムデータと競合する。
本稿では,オンライン異常検出におけるLOFアルゴリズムの効率向上のための新しい手法を提案し,EILOFアルゴリズムを提案する。
EILOFアルゴリズムは計算コストを大幅に削減するだけでなく、加算点数が増加すると検出精度を体系的に改善する。
論文 参考訳(メタデータ) (2025-01-02T05:12:43Z) - Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions [0.0]
分散ファイナンス(DeFi)は、不正アカウントの拡散など、重大なセキュリティリスクを導入している。
従来の検出方法は、ラベル付きデータの不足と悪意あるアクターの進化戦略によって制限される。
本稿では,これらの課題に対処するために,自己学習型Illicitアカウント検出フレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-03T12:03:13Z) - 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) - Securing Transactions: A Hybrid Dependable Ensemble Machine Learning
Model using IHT-LR and Grid Search [2.4374097382908477]
本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。
実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。
提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
論文 参考訳(メタデータ) (2024-02-22T09:01:42Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - 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) - Challenges and Complexities in Machine Learning based Credit Card Fraud
Detection [0.0]
取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。
機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。
しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
論文 参考訳(メタデータ) (2022-08-20T07:53:51Z) - 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) - 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) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z)
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。