論文の概要: CATeye: Coupled Attribute-Topology Invariance Learning for Voucher Abuse Detection

• arxiv url: http://arxiv.org/abs/2609.01425v1
• Date: Tue, 01 Sep 2026 15:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.82102
• Title: CATeye: Coupled Attribute-Topology Invariance Learning for Voucher Abuse Detection
• Title（参考訳）: CATeye:Voucher Abuse検出のための共用属性-トポロジー不変学習
• Authors: Tian Tian, Shuaicheng Niu, Hao Kuang, Yuanhang Hu, Dong Li, Zhiqi Shen,
• Abstract要約: Voucherの悪用はeコマースにおいて大きな課題となり、悪質なユーザーが宣伝用Voucherを使って利益を上げている。 本稿では,この問題に対処するために,結合属性・トポロジー不変学習フレームワーク(CATeye)を提案する。 実験によると、CATeyeは9つの強い領域一般化とグラフ異常検出ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.686475171134132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Voucher abuse poses a major challenge in e-commerce, where malicious users exploit promotional vouchers for profit. Unfortunately, fraud patterns evolve rapidly over time and across regions, causing distribution shifts that degrade existing detection models unless retrained frequently. To tackle this, we propose the Coupled Attribute-Topology Invariance Learning framework (CATeye). The key challenge arises from coupled attribute-topology shift, where edges built from attribute proximity cause environment-driven attribute shift to induce shifted topology, thereby amplifying variant signals through GNN message passing. CATeye sees through such coupled shifts with two learnable selectors. First, an Attribute Invariance Selector (AIS) learns node-adaptive masks to filter out non-invariant attributes. Then, conditioned on retained invariant attributes, an Edge Invariance Selector (EIS) samples an invariant subgraph and isolates non-invariant edges. Using the resulting invariant and non-invariant components, CATeye constructs multiple views and applies view-specific objectives to emphasize domain-invariant representations while suppressing domain-specific variations. Experiments on both a proprietary dataset from Lazada, a major Southeast Asian e-commerce platform, and a public benchmark show that CATeye consistently outperforms nine strong domain generalization and graph anomaly detection baselines, achieving up to an 8.61% improvement in average F1 score over the strongest baseline. Source code is publicly available at https://github.com/Tian0426/CATeye.
• Abstract（参考訳）: Voucherの悪用はeコマースにおいて大きな課題となり、悪質なユーザーが宣伝用Voucherを使って利益を上げている。 残念ながら、不正パターンは時間とともに、地域にわたって急速に進化し、頻繁に再トレーニングされない限り、既存の検出モデルを劣化させる分散シフトを引き起こします。 そこで我々はCATeye(Coupled Attribute-Topology Invariance Learning framework)を提案する。 ここでは、属性近接から構築されたエッジが環境駆動の属性シフトを引き起こし、シフトトポロジを誘導し、GNNメッセージパッシングを通じて可変信号を増幅する。 CATeyeは、2つの学習可能なセレクタとの結合的なシフトを見ることができる。 まず、属性不変性セレクタ(AIS)はノード適応マスクを学習し、非不変属性をフィルタリングする。 そして、保持された不変属性に基づいて、エッジ不変分散セレクタ(EIS)が不変部分グラフをサンプリングし、非不変エッジを分離する。 結果として生じる不変かつ不変でないコンポーネントを使用して、CATeyeは複数のビューを構築し、ドメイン固有のバリエーションを抑えながら、ドメイン固有の表現を強調するためにビュー固有の目的を適用します。 東南アジアの主要eコマースプラットフォームであるLazadaのプロプライエタリデータセットと、パブリックベンチマークの両方で、CATeyeは9つの強力なドメイン一般化とグラフ異常検出ベースラインを一貫して上回り、最強ベースラインよりも平均F1スコアが8.61%向上している。 ソースコードはhttps://github.com/Tian0426/CATeye.comで公開されている。

関連論文リスト

• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Attention-based Class-Conditioned Alignment for Multi-Source Domain Adaptation of Object Detectors [11.616494893839757]
  オブジェクト検出(OD)のドメイン適応手法は、ソースドメインとターゲットドメイン間の特徴調整を促進することによって、分散シフトの影響を軽減する。 MSDAは、複数のアノテーション付きソースデータセットとラベルなしターゲットデータを活用することで、検出モデルの正確性と堅牢性を改善する。 ODのための最先端MSDA手法の多くは、クラスに依存しない方法で特徴アライメントを実行する。 ドメイン間で各オブジェクトカテゴリのインスタンスをアライメントするMSDAのアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-03-14T23:31:41Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Semantic Concentration for Domain Adaptation [23.706231329913113]
  ドメイン適応(DA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインへの知識転送によるラベルアノテーションとデータセットバイアスの問題に対する道を開く。 DA手法の主流は、2つのドメインの特徴分布を整列させることである。 本稿では,ドメイン適応のためのセマンティック集中モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-12T13:04:36Z)
• Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers [141.70707071815653]
  本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。 SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。 3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-27T07:17:12Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。