論文の概要: FraudFox: Adaptable Fraud Detection in the Real World
- arxiv url: http://arxiv.org/abs/2603.13014v1
- Date: Fri, 13 Mar 2026 14:19:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:12.109006
- Title: FraudFox: Adaptable Fraud Detection in the Real World
- Title（参考訳）: FraudFox:現実世界で適応可能なフラッド検出
- Authors: Matthew Butler, Yi Fan, Christos Faloutsos,
- Abstract要約: 月曜日の3時に、500ドルの靴を買おうとしていたスミスは、どれほど疑わしいのか?
対向的な環境で、少数のリスク評価モジュール(オークル')からリスクスコアをマージするにはどうすればよいか?
FraudFoxは不正防止サブシステムを強化し、パフォーマンスを大きく向上させた。
- 参考スコア（独自算出の注目度）: 24.90819275885309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proposed method (FraudFox) provides solutions to adversarial attacks in a resource constrained environment. We focus on questions like the following: How suspicious is `Smith', trying to buy \$500 shoes, on Monday 3am? How to merge the risk scores, from a handful of risk-assessment modules (`oracles') in an adversarial environment? More importantly, given historical data (orders, prices, and what-happened afterwards), and business goals/restrictions, which transactions, like the `Smith' transaction above, which ones should we `pass', versus send to human investigators? The business restrictions could be: `at most $x$ investigations are feasible', or `at most \$$y$ lost due to fraud'. These are the two research problems we focus on, in this work. One approach to address the first problem (`oracle-weighting'), is by using Extended Kalman Filters with dynamic importance weights, to automatically and continuously update our weights for each 'oracle'. For the second problem, we show how to derive an optimal decision surface, and how to compute the Pareto optimal set, to allow what-if questions. An important consideration is adaptation: Fraudsters will change their behavior, according to our past decisions; thus, we need to adapt accordingly. The resulting system, \method, is scalable, adaptable to changing fraudster behavior, effective, and already in \textbf{production} at Amazon. FraudFox augments a fraud prevention sub-system and has led to significant performance gains.
- Abstract（参考訳）: 提案手法 (FraudFox) は資源制約環境下での敵攻撃に対する解決策を提供する。
月曜日の3時に500ドルの靴を買おうとする‘Smith’は、どの程度疑わしいのか?
対向的な環境で、少数のリスク評価モジュール(‘oracles’)からリスクスコアをマージするにはどうすればよいか?
さらに重要なことは、過去のデータ(注文、価格、その後起こったこと)と、上の‘Smith’トランザクションのようなビジネス目標/制限が与えられた場合、人間捜査官に送信するよりも、どれを‘pass’すべきかということです。
ビジネス上の制限は、 'at most $x$ investigations is feasible' または 'at most $$y$ lost due by fraud' である。
この2つの研究課題は、この研究に焦点をあてている。
最初の問題に対処するアプローチの1つは、動的重要性重みを持つ拡張カルマンフィルタを使用して、各'オークル'の重みを自動的かつ連続的に更新することである。
2つ目の問題として、最適決定曲面の導出方法と、パレート最適集合の計算方法を示し、何が問題となるかを問う。
重要な考慮事項は適応である: 詐欺師は過去の決定に従って行動を変える。
結果のシステムである‘method’は、スケーラブルで、不正行為の変更に適応可能で、Amazonの‘textbf{production}’にすでにある。
FraudFoxは不正防止サブシステムを強化し、パフォーマンスを大きく向上させた。
関連論文リスト
- Tackling the Algorithmic Control Crisis -- the Technical, Legal, and Ethical Challenges of Research into Algorithmic Agents [0.0]
本稿では,アルゴリズムレコメンデータの個人的および社会的効果を研究するための一つの可能なアプローチについて述べる。
本論文は,アルゴリズムガバナンスに関する倫理的かつ法的に健全な研究に対する,異なるアプローチの相対的なメリット,コスト,メリットに関する議論に寄与する。
論文 参考訳（メタデータ） (2025-10-29T09:52:02Z) - Near-Optimal Dynamic Regret for Adversarial Linear Mixture MDPs [63.47351876442425]
本研究は,完全情報フィードバックの下で,相変わらずの相変わらずの線形混合MDPについて検討した。
本稿では,占領率に基づく手法と政策に基づく手法の利点を組み合わせた新しいアルゴリズムを提案する。
我々のアルゴリズムは$widetildemathcalO(d sqrtH3 K + sqrtHK(H + barP_K$)$ dynamic regret, ここで$d$は特徴次元である。
論文 参考訳（メタデータ） (2024-11-05T13:55:52Z) - Metareasoning in uncertain environments: a meta-BAMDP framework [1.0923877073891441]
正しい$P$を見つけることは、推論プロセスの空間上の最適化問題として表すことができる。
本稿では,未知の報酬/遷移分布を持つ環境におけるメタ推論を扱うメタベイズ適応型MDPフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-02T13:15:01Z) - Noise-Adaptive Confidence Sets for Linear Bandits and Application to Bayesian Optimization [15.275864909088577]
事前の未知のノイズレベルに適応することは、シーケンシャルな意思決定において非常に重要であるが難しい問題である。
未知のガウスパラメータ $sigma_*2$ に半適応的な新しい信頼集合を提案する。
有界報酬に対しては,先行技術により数値性能が大幅に向上した新しい分散適応信頼セットを提案する。
論文 参考訳（メタデータ） (2024-02-12T00:19:09Z) - Social-Inverse: Inverse Decision-making of Social Contagion Management
with Task Migrations [6.457205049532316]
本稿では,社会感染管理における意思決定課題に対処するための一般的な枠組みを提案する。
我々は有望な実験結果を取得し、ある意思決定課題を他の課題に関連する解を用いて解決できることを初めて確認した。
論文 参考訳（メタデータ） (2022-09-21T16:50:57Z) - Linear Contextual Bandits with Adversarial Corruptions [91.38793800392108]
本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。
逆汚染レベルに適応する分散認識アルゴリズムをC$で提案する。
論文 参考訳（メタデータ） (2021-10-25T02:53:24Z) - Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
マルコフ決定過程における純粋探索問題について検討する。
エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
論文 参考訳（メタデータ） (2021-06-05T09:16:28Z) - Online Adversarial Attacks [57.448101834579624]
我々は、実世界のユースケースで見られる2つの重要な要素を強調し、オンライン敵攻撃問題を定式化する。
まず、オンライン脅威モデルの決定論的変種を厳格に分析する。
このアルゴリズムは、現在の最良の単一しきい値アルゴリズムよりも、$k=2$の競争率を確実に向上させる。
論文 参考訳（メタデータ） (2021-03-02T20:36:04Z) - Online Apprenticeship Learning [58.45089581278177]
見習い学習(AL)では、コスト関数にアクセスせずにマルコフ決定プロセス(MDP)が与えられます。
目標は、事前に定義されたコスト関数のセットで専門家のパフォーマンスに一致するポリシーを見つけることです。
ミラー下降型ノンレグレットアルゴリズムを2つ組み合わせることで,OAL問題を効果的に解くことができることを示す。
論文 参考訳（メタデータ） (2021-02-13T12:57:51Z) - The Price of Incentivizing Exploration: A Characterization via Thompson
Sampling and Sample Complexity [83.81297078039836]
インセンティブ付き探索(Incentivized Exploring)は、武器の選択を自給自足エージェントによって制御するマルチアーム・バンディットのバージョンである。
我々は、インセンティブの価格に焦点を合わせ、インセンティブの適合性のために、広く解釈された、パフォーマンスの喪失が引き起こされる。
論文 参考訳（メタデータ） (2020-02-03T04:58:51Z)
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。