論文の概要: PREF-Gate: Provenance-Constrained Relational Evidence Fusion with Validation-Gated Selection for Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2607.11212v1
• Date: Mon, 13 Jul 2026 08:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.385938
• Title: PREF-Gate: Provenance-Constrained Relational Evidence Fusion with Validation-Gated Selection for Graph Fraud Detection
• Title（参考訳）: PreF-Gate: Anvenance-Constrained Relational Evidence Fusion with Validation-Gated Selection for Graph Fraud Detection
• Abstract要約: 不正な不正検出は、ラベル特定コンテキストとラベル由来の近隣証拠の両方を利用することができる。 PreF-Gateは、2人の専門家と有限の検証ゲートを持つ監査可能なフレームワークである。 ラベル由来のリレーショナルエビデンス(英語版)は、保留検証がそれをサポートする場合にのみ有用である。
• 参考スコア（独自算出の注目度）: 4.923071905608023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational fraud detection can exploit both label-free graph context and label-derived neighborhood evidence, but these two information sources obey different validity conditions. In particular, neighborhood risk becomes invalid when a queried node's own label, or any validation or test label, enters its construction. We formulate this issue as provenance-constrained relational evidence use and present PREF-Gate, an auditable decision framework with two fixed experts and a finite validation gate. The context expert uses attributes, one-hop means, feature residuals, and degree descriptors without labels. The evidence expert adds self-excluded, training-label-only neighborhood risk and empirical-Bayes summaries that expose support, uncertainty, availability, and shrinkage. Before test inference, the gate selects either expert or one of three pre-specified probability mixtures and fixes the decision threshold. On Amazon, YelpChi, and TFinance, using five identical stratified splits and 14 same-protocol methods, PREF-Gate obtains mean AUPRC values of 0.9085, 0.8104, and 0.8913. It selects the label-free expert on all Amazon and YelpChi splits and an evidence mixture on all TFinance splits. Thus, the main result is conditional rather than universal: label-derived relational evidence is useful only where held-out validation supports it. The framework couples competitive ranking performance with an explicit label-provenance contract, finite selection policy, failure accounting, and review-budget evaluation, providing an auditable knowledge-based decision pipeline for graph fraud detection.
• Abstract（参考訳）: リレーショナル不正検出は、ラベルのないグラフコンテキストとラベル由来の近隣証拠の両方を利用することができるが、これら2つの情報源は異なる妥当性条件に従う。 特に、クエリノード自身のラベルや検証やテストラベルが構築に入ると、近隣のリスクは無効になる。 本稿では,この問題を証明制約付きリレーショナルエビデンスとして定式化し,2つの定式化専門家と有限検証ゲートを備えた監査可能な決定フレームワーク PreF-Gate を提示する。 コンテキストエキスパートは属性、ワンホップ平均、特徴残差、ラベルのない次数記述子を使用する。 このエビデンスの専門家は、自己排除されたトレーニングラベルのみの地区リスクと、サポート、不確実性、可用性、縮小を露呈する経験的ベイズ要約を追加します。 テスト推論の前に、ゲートは、専門家または3つの予め特定された確率混合のうちの1つを選択し、決定しきい値を修正する。 Amazon、YelpChi、TFinanceでは、5つの同一の層状分割と14の同じプロトコール法を用いて、PreF-Gate は平均 AUPRC 値 0.9085, 0.8104, 0.8913 を得る。 AmazonとYelpChiのスプリットのラベルのないエキスパートと、TFinanceのスプリットのエビデンスを混合したエビデンスを選択する。 ラベル由来のリレーショナルエビデンス(英語版)は、保留バリデーションがそれをサポートする場合にのみ有用である。 このフレームワークは、明示的なラベル保証契約、有限選択ポリシー、障害会計、レビュー予算評価と競合するランキング性能を結合し、グラフ不正検出のための監査可能な知識ベース決定パイプラインを提供する。

関連論文リスト

• A distribution-free certification framework for trustworthy crash-severity prediction [1.089614199781423]
  厳密なモデルを修正せずにラップする認証層を開発します。 テキサス州の7つのベースモデルにまたがる520万件の記録では、同層は同一の妥当性を持つ。 フレームワークは定理レベルのテストを備えたオープンソースパッケージとしてリリースされている。
  論文  参考訳（メタデータ） (2026-09-10T14:20:08Z)
• Common-Witness Certificates and Sharp Feature Bounds for Counterfactual Image Auditing [0.0]
  画像エディタは、単一の潜伏説明が完全な出力に合わない場合でも、各可視性制約を別々に満たすことができる。 我々は,この局所的・言語的失敗を,共通の目撃者格と目撃者の神経を用いて定式化する。
  論文  参考訳（メタデータ） (2026-09-03T15:09:52Z)
• Chiral Analysis of Smart Contracts: Detecting Vulnerabilities from Relational Inconsistencies Across Business Paths [1.5217170480235822]
  本稿では、ペア化されたビジネスパスを暗黙の仕様として扱う関係モデルであるカイラル分析を紹介する。 このアイデアは、ビジネスパスを抽出するSolidityプロトタイプであるChiralDetectorに実装しています。 ChiralDetectorは3,217の静的なランク付けパスペアを1,643のセマンティックな候補に減らし、101の非重複な発見グループを生成し、44の厳格なバリケータ陽性を保持し、手動で13のユニークな問題に崩壊した。
  論文  参考訳（メタデータ） (2026-07-20T14:17:00Z)
• ECO/CPO-DAG: A Contradiction-Based Accountability Layer for Adversarial Supply Chains [0.0]
  ECO/CPO-DAGは、敵対的なサプライチェーンのためのドメイン固有の説明責任プロトコルである。 補足検証層として矛盾検出を形式化する。 プロトコルの境界は明示的であり、証明可能な矛盾を検出し、一貫性のある嘘は検出しない。
  論文  参考訳（メタデータ） (2026-07-07T21:03:26Z)
• SELFDOUBT: Uncertainty Quantification for Reasoning LLMs via the Hedge-to-Verify Ratio [0.038379177968040606]
  言語モデル推論のための単一パス不確実性フレームワークであるSELFDOUBTを提案する。 私たちのキーシグナルであるHedge-to-Verify Ratio(HVR)は、推論トレースが不確実性マーカーを含むかどうかを検出し、もしそうであれば、明示的な自己チェック行動によってオフセットされているかどうかを検出する。 SELFDOUBTは単一の観測された推論軌道で動作し、任意のプロプライエタリなAPI上でのレイテンシとコスト制約によるデプロイメントに適している。
  論文  参考訳（メタデータ） (2026-04-07T19:19:29Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Generalization Error Bounds for Learning under Censored Feedback [15.367801388932145]
  学習理論からの一般化誤差は、以前に見つからなかったデータに対してアルゴリズムがどれだけうまく機能するかを統計的に保証する。 このような境界に対する検閲されたフィードバックによるデータ非IIDnessの影響を特徴付ける。 既存の一般化誤差境界がモデルの一般化保証を正しく捕捉できないことを示す。
  論文  参考訳（メタデータ） (2024-04-14T13:17:32Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。