Fugu-MT 論文翻訳(概要): Credit Card Fraud Detection

論文の概要: Credit Card Fraud Detection

arxiv url: http://arxiv.org/abs/2509.15044v1
Date: Thu, 18 Sep 2025 15:08:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-19 17:26:53.28966
Title: Credit Card Fraud Detection
Title（参考訳）: クレジットカードの不正検出
Authors: Iva Popova, Hamza A. A. Gardi,
Abstract要約: 本研究では、アンダーサンプリング、SMOTE、ハイブリッドアプローチを用いて、実世界のデータセット上で5つの機械学習モデルを評価する。その結果, ハイブリット法はリコールと精度のバランスが良く, 特にKNNの性能が向上していることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Credit card fraud remains a significant challenge due to class imbalance and fraudsters mimicking legitimate behavior. This study evaluates five machine learning models - Logistic Regression, Random Forest, XGBoost, K-Nearest Neighbors (KNN), and Multi-Layer Perceptron (MLP) on a real-world dataset using undersampling, SMOTE, and a hybrid approach. Our models are evaluated on the original imbalanced test set to better reflect real-world performance. Results show that the hybrid method achieves the best balance between recall and precision, especially improving MLP and KNN performance.
Abstract（参考訳）: クレジットカード詐欺は、階級不均衡と合法的な振る舞いを模倣する詐欺師のために、依然として重大な課題である。本研究では,ロジスティック回帰,ランダムフォレスト,XGBoost,K-Nearest Neighbors(KNN),Multi-Layer Perceptron(MLP)の5つの機械学習モデルを評価する。我々のモデルは、実際の性能をよりよく反映するために、元の不均衡なテストセットで評価される。その結果, ハイブリット法はリコールと精度のバランスが良く, 特にMLPとKNNの性能が向上していることがわかった。

関連論文リスト

Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine [0.0]
本研究は、EBM(Explainable Boosting Machine)に基づく拡張ワークフローを提案する。最適化されたEMMは、精度と解釈可能性の効果的なバランスを実現し、不正取引の正確な検出を可能にする。ベンチマーククレジットカードデータの実験的評価により、ROC-AUCは0.983であり、以前のEMMベースラインを超えている。
論文参考訳（メタデータ） (2026-02-06T18:56:17Z)
Outcome Accuracy is Not Enough: Aligning the Reasoning Process of Reward Models [108.26461635308796]
Rationale Consistencyは、モデルの推論プロセスと人間の判断のアライメントを定量化する、きめ細かい計量である。我々のフロンティアモデルの評価では,最先端モデル間で合理的な一貫性が効果的に識別できることが示されている。我々は、GenRMトレーニングの合理性一貫性と結果精度を組み合わせたハイブリッド信号を導入する。
論文参考訳（メタデータ） (2026-02-04T15:24:52Z)
Mitigating LLM Hallucination via Behaviorally Calibrated Reinforcement Learning [32.32593439144886]
振舞い校正された強化学習により、小さなモデルは不確実な定量化においてフロンティアモデルを超えることができる。当社のモデルでは,GPT-5の0.207を超える精度向上率(0.806)を挑戦的なドメイン内評価において達成している。
論文参考訳（メタデータ） (2025-12-22T22:51:48Z)
ORGEval: Graph-Theoretic Evaluation of LLMs in Optimization Modeling [18.8099769877788]
ORGEvalは線形および混合整数線形プログラムの定式化における大規模言語モデルの能力を評価するためのグラフ理論評価フレームワークである。 ORGEvalはモデル等価性の検出に成功し、ランダムなパラメータ構成で100%一貫した結果が得られることを示す。この結果から,全てのLLMにおいて最適化モデリングは依然として困難であるが,DeepSeek-V3とClaude-Opus-4は直接的プロンプト下では最高の精度を達成できることがわかった。
論文参考訳（メタデータ） (2025-10-31T16:35:52Z)
Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination [67.67725938962798]
大規模なWebスケールコーパスの事前トレーニングは、広く使用されているベンチマークでデータ汚染の影響を受けやすいQwen2.5が残る。我々はRandomCalculationと呼ばれる任意の長さと難易度を持つ完全クリーンな算術問題を生成するジェネレータを導入する。精度の高い報酬信号のみがベースモデルの性能境界を超える安定した改善をもたらすことを示す。
論文参考訳（メタデータ） (2025-07-14T17:55:15Z)
RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文参考訳（メタデータ） (2025-07-12T01:58:04Z)
One Token to Fool LLM-as-a-Judge [52.45386385722788]
大規模言語モデル(LLM)は、自動化された審査員としてますます信頼され、評価を支援し、他のモデルを訓練するための報酬信号を提供する。生成的報酬モデルは、ハッキングに対して体系的に影響を受けやすい。
論文参考訳（メタデータ） (2025-07-11T17:55:22Z)
A Data Balancing and Ensemble Learning Approach for Credit Card Fraud Detection [1.8921747725821432]
本研究では,SMOTE-KMEANS手法とアンサンブル機械学習モデルを組み合わせることで,クレジットカード不正を識別する革新的な手法を提案する。提案モデルは、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシンといった従来のモデルと比較された。その結果,提案モデルでは,SMOTE-KMEANSアルゴリズムと組み合わせたAUCが0.96と優れた性能を示した。
論文参考訳（メタデータ） (2025-03-27T04:59:45Z)
Predictive Analytics of Varieties of Potatoes [2.336821989135698]
本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
論文参考訳（メタデータ） (2024-04-04T00:49:05Z)
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)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文参考訳（メタデータ） (2023-04-19T14:58:27Z)
Fraud Detection Using Optimized Machine Learning Tools Under Imbalance Classes [0.304585143845864]
機械学習(ML)ツールのスマートバージョンによる不正検出は、安全性を保証するために不可欠である。本稿では,4つの最先端ML手法,すなわちロジスティック回帰,決定木,ランダム森林,極端な勾配上昇について検討する。フィッシングサイトURLとクレジットカード不正取引データセットは、元のデータに基づいてトレーニングされた極端な勾配が、信頼できるパフォーマンスを示していることを示している。
論文参考訳（メタデータ） (2022-09-04T15:30:23Z)

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。