論文の概要: Beyond Accuracy: Centroid-Guided Contrastive Loss for Structured Fraudulent Job Posting Detection

• arxiv url: http://arxiv.org/abs/2609.21599v1
• Date: Fri, 18 Sep 2026 10:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.02358
• Title: Beyond Accuracy: Centroid-Guided Contrastive Loss for Structured Fraudulent Job Posting Detection
• Title（参考訳）: Centroid-Guided Contrastive Loss for Structured Fraudulent Job Posting Detection
• Abstract要約: 不正な求人検出は、偽コンテンツ、誤解を招く情報、または否定的な意図によって腐敗した求人広告を特定することを目的としている。 そこで我々は,Centroid-Guided Contrastive Loss (CGCL)を提案する。 CGCLの相補的な性質により、モデルは正確な決定境界を強制し、高いクラスタリングのコンパクト性を維持することができる。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fraudulent job posting detection aims to identify job advertisements that are corrupted either through fake content, misleading information, or negative intent, disrupting the online eco-system of job-seekers and employers. Existing studies in this domain lack effective methods to simultaneously achieve high accuracy and meaningful structure of latent-space representations that capture subtleties among fake posts. To this end, we propose Centroid-Guided Contrastive Loss (CGCL), a loss function which unifies classification with densely formulated clustering to consistently reshape latent-space through a centroid-driven top-$k$ push-and-pull mechanism. The complementary nature of CGCL enables the model to enforce accurate decision boundaries and maintain high clustering compactness, effectively capturing both class separability and latent structure. Extensive experiments demonstrate the state-of-the-art (SOTA) performance of our method on EMSCAD, a public benchmark dataset. The code associated with this work is available at: https://github.com/ali-ahmed925/CGCL_code
• Abstract（参考訳）: 不正な求人検出は、偽のコンテンツ、誤解を招く情報、ネガティブな意図を通じて腐敗した求人広告を識別することを目的としており、求人者と雇用者のオンラインエコシステムを破壊している。 この領域における既存の研究は、偽ポストの微妙さを捉える潜在空間表現の高精度かつ有意義な構造を同時に達成する効果的な方法が欠如している。 そこで本研究では,Centroid-Guided Contrastive Loss (CGCL)を提案する。 CGCLの相補的な性質により、モデルは正確な決定境界を強制し、高いクラスタリングのコンパクト性を維持することができ、クラス分離性と潜在構造の両方を効果的に捉えることができる。 提案手法のSOTA(State-of-the-art (SOTA)) 性能を,公開ベンチマークデータセットである EMSCAD 上で実証した。 https://github.com/ali-ahmed925/CGCL_code

関連論文リスト

• Fraud is Not Just Rarity: A Causal Prototype Attention Approach to Realistic Synthetic Oversampling [6.184770966699034]
  Causal Prototype Attention (CPAC)は、クラス認識クラスタリングを促進し、潜在空間構造を改善した解釈可能なアーキテクチャである。 CPACは優れた性能を示し、93.14%のF1スコア、90.18%のリコールを達成した。
  論文  参考訳（メタデータ） (2025-07-19T17:51:54Z)
• Self-Classification Enhancement and Correction for Weakly Supervised Object Detection [113.51483527300496]
  弱い監督対象検出(WSOD)は、ラベル付けコストの低いため、多くの注目を集めている。 本稿では,この2つの問題を改善するための新しいWSODフレームワークを紹介する。 まず,2つの異なるMCCタスク間のギャップを埋めるために,クラス内バイナリ分類(ICBC)を統合した自己分類拡張モジュールを提案する。 また,2つのMCCタスクの結果を組み合わせて,誤分類予測を効果的に削減する自己分類補正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-22T06:45:58Z)
• 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)
• Real-world actor-based image steganalysis via classifier inconsistency detection [1.1279808969568255]
  画像ステガノグラフィーにおける有罪行為者検出のためのロバストな手法を提案する。 提案されたアプローチは、俳優が無罪か無罪か、あるいは過剰なCSM(Cover Source Mismatch)のために破棄されるべきかどうかを判断することに成功した。 この新たなアプローチは、CSMの処理と実世界の応用における有罪アクター検出のための実用的で効率的なソリューションを提供することによって、ステガナリシスの分野に寄与する。
  論文  参考訳（メタデータ） (2025-01-08T08:58:59Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Deep Clustering with Incomplete Noisy Pairwise Annotations: A Geometric Regularization Approach [21.32957828106532]
  この研究は、最近出現したDCCのロジスティック損失関数を深く研究し、その理論的性質を特徴づける。 幾何学的因子分析に基づく新しい損失関数は、ノイズのあるアノテーションに対抗して提案される。 アノテーションの混乱があっても、データメンバーシップは$textitprovably$で識別できる。
  論文  参考訳（メタデータ） (2023-05-30T20:06:03Z)
• Deep Clustering based Fair Outlier Detection [19.601280507914325]
  本稿では,統合深層クラスタリングと外乱検出を強化するために,インスタンスレベルの重み付き表現学習戦略を提案する。 我々のDCFOD法は, 異常検出において, 異常検出の妥当性と2種類のフェアネス概念の両面において, 常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2021-06-09T15:12:26Z)

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。