論文の概要: Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection

• arxiv url: http://arxiv.org/abs/2608.15768v1
• Date: Sun, 16 Aug 2026 14:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.418594
• Title: Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
• Title（参考訳）: フラッド検出のための時間グラフプロトタイプ条件付きコンフォーマル予測
• Authors: Xudong Chen, Shengbo Gong, Lu Cheng, Wei Jin,
• Abstract要約: 本稿では,時間グラフ上でのエッジレベルの不正検出のための共形予測フレームワークであるProtoCPを提案する。 ProtoCPは不正関連部分グラフのコンテキストに校正を集中させることで校正効率を向上させる。 ProtoCPは、最先端のベースラインよりも一貫して小さな予測セットでターゲットカバレッジを達成する。
• 参考スコア（独自算出の注目度）: 15.872326009493884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) provides distribution-free coverage guarantees and has emerged as a principled tool for uncertainty quantification. In edge-level fraud detection on temporal interaction graphs, where false positives and false negatives both carry substantial cost, such coverage guarantees are particularly appealing for risk-aware decision making. However, directly applying existing graph conformal predictors yields inefficient prediction sets due to two recurring properties of fraud data. Fraudulent interactions are often embedded in benign-dominated neighborhoods that dilute calibration signals, while extreme class imbalance leaves scarce labeled-fraud support in the calibration split and leads to overly conservative class-conditional thresholds. To address these issues, we propose ProtoCP, a conformal prediction framework for edge-level fraud detection on temporal graphs. ProtoCP improves calibration efficiency by focusing calibration on fraud-relevant subgraph context and producing more stable nonconformity scores under class imbalance and temporal drift. Specifically, it leverages learned prototypes to suppress benign-dominated noise in the calibration context and introduces a neighborhood-relative scoring mechanism with temporal score diffusion for stable class-conditional calibration. Experiments on four fraud benchmarks (YelpChi, S-FFSD, FTFD, and BankSim) show that ProtoCP achieves the target coverage with consistently smaller prediction sets than state-of-the-art baselines. Our codes are available at https://github.com/Picard1701ent/ProtoCP.git
• Abstract（参考訳）: コンフォーマル予測(CP)は、分布のないカバレッジ保証を提供し、不確実性定量化の原則となるツールとして登場した。 時間的相互作用グラフ上のエッジレベルの不正検出では、偽陽性と偽陰性の両方にかなりのコストがかかる。 しかし、既存のグラフ共形予測器を直接適用すると、不正データの2つの繰り返し特性による非効率な予測セットが得られる。 フラッドレント相互作用は、しばしばキャリブレーション信号の希薄な良性支配地区に埋め込まれるが、極端なクラス不均衡は、キャリブレーション分割におけるラベル付きフレードサポートが不足し、過度に保守的なクラス条件閾値につながる。 これらの問題に対処するため,時間グラフ上でのエッジレベルの不正検出のためのコンフォメーション予測フレームワークであるProtoCPを提案する。 ProtoCPは、不正関連サブグラフコンテキストのキャリブレーションに集中し、クラス不均衡と時間的ドリフトの下でより安定した非整合スコアを生成することにより、キャリブレーション効率を向上させる。 具体的には、学習したプロトタイプを活用して、校正文脈における良性支配雑音を抑制するとともに、安定したクラス条件校正のための時間的スコア拡散を伴う近傍相対的なスコアリング機構を導入する。 4つの不正ベンチマーク(YelpChi, S-FFSD, FTFD, BankSim)の実験によると、ProtoCPは最先端のベースラインよりも一貫して小さな予測セットでターゲットカバレッジを達成する。 私たちのコードはhttps://github.com/Picard1701ent/ProtoCP.gitで利用可能です。

関連論文リスト

• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Exploring the Noise Robustness of Online Conformal Prediction [16.623599788608185]
  本研究では,一様ラベル雑音下でのオンラインコンフォメーション予測のロバスト性について検討する。 本稿では,新しいロバストなピンボール損失で閾値を更新することで,ノイズロバストオンラインコンフォーマル予測(NR-OCP)を提案する。 理論解析により,NR-OCPは一定の学習率と動的学習率の両方のスケジュールのカバレッジギャップをなくすことが示されている。
  論文  参考訳（メタデータ） (2025-01-30T14:08:26Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。