論文の概要: Fraud-Proof Revenue Division on Subscription Platforms
- arxiv url: http://arxiv.org/abs/2511.04465v1
- Date: Thu, 06 Nov 2025 15:39:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.481318
- Title: Fraud-Proof Revenue Division on Subscription Platforms
- Title（参考訳）: 定期購読プラットフォームに関する不正証明収益部門
- Authors: Abheek Ghosh, Tzeh Yuan Neoh, Nicholas Teh, Giannis Tyrovolas,
- Abstract要約: コンテンツへのアクセスを無制限にするための固定料金をユーザが支払うサブスクリプションベースのプラットフォームモデルについて検討し、クリエーターは収益の一部を享受する。
我々は3種類の操作抵抗公理を定式化し、どの既存の規則がこれらを満たすかを検証する。
ストリーミングプラットフォームで広く使われているメカニズムは、不正防止に失敗するだけでなく、操作を計算的に難解に検出できるようにする。
- 参考スコア（独自算出の注目度）: 14.762453319543704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a model of subscription-based platforms where users pay a fixed fee for unlimited access to content, and creators receive a share of the revenue. Existing approaches to detecting fraud predominantly rely on machine learning methods, engaging in an ongoing arms race with bad actors. We explore revenue division mechanisms that inherently disincentivize manipulation. We formalize three types of manipulation-resistance axioms and examine which existing rules satisfy these. We show that a mechanism widely used by streaming platforms, not only fails to prevent fraud, but also makes detecting manipulation computationally intractable. We also introduce a novel rule, ScaledUserProp, that satisfies all three manipulation-resistance axioms. Finally, experiments with both real-world and synthetic streaming data support ScaledUserProp as a fairer alternative compared to existing rules.
- Abstract（参考訳）: コンテンツへのアクセスを無制限にするための定額料金をユーザが支払うサブスクリプションベースのプラットフォームモデルについて検討し、クリエーターは収益の一部を享受する。
既存の不正検出アプローチは、主に機械学習手法に依存しており、悪役との武器競争を継続している。
我々は、操作を本質的に非インセンティブ化する収益分配メカニズムを探求する。
我々は3種類の操作抵抗公理を定式化し、どの既存の規則がこれらを満たすかを検証する。
ストリーミングプラットフォームで広く使われているメカニズムは、不正防止に失敗するだけでなく、操作を計算的に難解に検出できるようにする。
また,3つの操作抵抗公理をすべて満たす新しいルールであるScaledUserPropを導入する。
最後に、実世界のストリーミングデータと合成ストリーミングデータの両方の実験は、既存のルールよりも公平な代替手段としてScaledUserPropをサポートしています。
関連論文リスト
- Pay for The Second-Best Service: A Game-Theoretic Approach Against Dishonest LLM Providers [18.350214149130267]
この研究はゲーム理論と機構設計のレンズを通してこの問題に取り組む。
私たちは、現実的なユーザ・プロデューサのエコシステムのための正式な経済モデルを提案しました。
論文 参考訳（メタデータ） (2025-11-02T08:18:20Z) - 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) - Bandit Social Learning: Exploration under Myopic Behavior [54.767961587919075]
オンラインプラットフォーム上でのレビューによって動機付けられた社会学習のダイナミクスについて検討する。
エージェントはまとめて単純なマルチアームのバンディットプロトコルに従うが、各エージェントは探索を伴わずにミオプティカルに振る舞う。
このような振る舞いに対して,スターク学習の失敗を導出し,好意的な結果を提供する。
論文 参考訳（メタデータ） (2023-02-15T01:57:57Z) - Explainable Abuse Detection as Intent Classification and Slot Filling [66.80201541759409]
我々は、システムがデータ検査だけで乱用を構成する事象を確実に学習できるという非現実的な期待を捨て、政策対応による悪用検出の概念を導入する。
目的分類とスロットフィリングのためのアーキテクチャは、モデル決定の根拠を提供しながら、悪用検出にどのように使用できるかを示す。
論文 参考訳（メタデータ） (2022-10-06T03:33:30Z) - Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。
次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
論文 参考訳（メタデータ） (2022-07-10T22:36:52Z) - 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) - ARMS: Automated rules management system for fraud detection [1.7499351967216341]
オンライン不正検出は、入ってくる取引を合法か不正かのどちらかにリアルタイムで分類する。
現代の不正検出システムは、人間の専門家によって定義された機械学習モデルとルールで構成されている。
本稿では,個々のルールの貢献度を評価する自動ルール管理システムARMSを提案し,検索とユーザ定義の損失関数を用いたアクティブなルールセットを最適化する。
論文 参考訳（メタデータ） (2020-02-14T15:29:59Z) - Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。
悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。
また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
論文 参考訳（メタデータ） (2020-02-10T15:04:09Z)
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。