Fugu-MT 論文翻訳(概要): Machine learning for journal entry testing: A type-aware evaluation of anomaly detectors under a review budget

論文の概要: Machine learning for journal entry testing: A type-aware evaluation of anomaly detectors under a review budget

arxiv url: http://arxiv.org/abs/2610.06133v1
Date: Mon, 05 Oct 2026 11:06:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-09 18:28:24.608134
Title: Machine learning for journal entry testing: A type-aware evaluation of anomaly detectors under a review budget
Title（参考訳）: ジャーナルエントリーテストのための機械学習:レビュー予算下における異常検知器のタイプアウェア評価
Abstract要約: ジャーナルエントリ異常検知器は、ROC-AUC、精度、リコールで全人口で一般的に評価される。本稿では,FSR(Fair-Share type recall)とFSR(Fair-Share type recall)を組み合わせた型認識評価を提案する。 FSRは、各タイプのクレジットを予算シェア、タイプカバレッジ、ファーストヒットランクで上限付けする。
参考スコア（独自算出の注目度）: 0.6372261626436676
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Journal entry anomaly detectors are commonly evaluated on the full population with ROC-AUC, precision and recall, ignoring the review budget and which anomaly types are found. We propose a type-aware evaluation combining per-type recall, fair-share type recall (FSR), which caps each type's credit at its budget share, type coverage and first-hit rank. We evaluate nine unsupervised detectors, a supervised reference and feedback-driven Deep Semi-Supervised Anomaly Detection (DeepSAD) on four real client ledgers with injected typed anomalies and a public synthetic ledger. On the largest client ledger, principal component analysis (PCA), an autoencoder (AE) and a variational autoencoder (VAE) each place on average 98 anomalies among the first 100 postings, but at least 95.8 belong to one type. FSR instead favours a nearest-neighbour (kNN) detector and changes the top-ranked detector on three of four client ledgers. Representation also matters: one-hot encoding exposes unseen accounts, whereas frequency encoding leaves unseen contra accounts largely undetected. On the public ledger, the Histogram-Based Outlier Score (HBOS) and Empirical Cumulative Distribution-Based Outlier Detection (ECOD) reach all eight markings within 1,386 entries, whereas kNN, the hit leader at 1,000 entries, first reaches cross-linked clearing at rank 4,641, and the supervised row-level reference misses this marking within 1,000 entries. There, the adaptive DeepSAD review protocol raises mean hits per 100 reviews from 40.0 to 68.3 but type coverage only from 2.7 to 3.0. These findings show that high hit rates can conceal systematic blind spots and suggest that feedback can reinforce existing detection patterns without broadening anomaly coverage.
Abstract（参考訳）: ジャーナルエントリー異常検知器は、レビュー予算を無視し、どの異常タイプが見つかるかを無視して、ROC-AUC、精度とリコールによって全人口で一般的に評価される。本稿では,FSR(Fair-Share type recall)とFSR(Fair-Share type recall)を組み合わせた型認識評価手法を提案する。我々は,9つの教師なし検出器,教師付き参照およびフィードバック駆動型Deep Semi-Supervised Anomaly Detection (DeepSAD) を4つの実クライアント台帳に注入した型付き異常と公開合成台帳を用いて評価した。最大のクライアント台帳では、主成分分析(PCA)、自動エンコーダ(AE)、変分自動エンコーダ(VAE)が、最初の100のポストのうち平均98の異常でそれぞれ1つのタイプに属するが、少なくとも95.8は1つのタイプに属する。 FSRは、最も近い隣の検出器(kNN)を好んでおり、4つのクライアント台帳のうち3つのトップランクの検出器を変更している。一つのホットエンコーディングは未確認のアカウントを露出する一方、頻度エンコーディングは未確認のコントラアカウントをほとんど検出しない。公開台帳では、Histogram-Based Outlier Score (HBOS) と Empirical Cumulative Distribution-Based Outlier Detection (ECOD) が1,386エントリ内の8つのマーキングすべてに到達し、一方、1000エントリのヒットリーダであるkNNは、最初に4,641ランクのクロスリンククリアに到達し、教師付き行レベルの参照はこのマーキングを1,000エントリ以内に見逃している。適応的なDeepSADレビュープロトコルでは、100レビューあたりの平均ヒット率は40.0から68.3まで上昇するが、型カバレッジは2.7から3.0に留まる。これらの結果から,高ヒット率は系統的な盲点を隠蔽し,異常範囲を広げることなく既存の検出パターンを補強できる可能性が示唆された。

関連論文リスト

Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
論文参考訳（メタデータ） (2026-09-27T13:01:02Z)
Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文参考訳（メタデータ） (2026-09-03T14:05:27Z)
Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
論文参考訳（メタデータ） (2026-07-29T08:00:49Z)
SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification [0.0]
nsfaguardは、エージェントAIシステムを運用上の脅威から保護するためのガードレールフレームワークである。まず,185種のリスク変異をCIA-Triad-grounded 階層に分類するNSFA分類について紹介する。凍結したバックボーン上の識別的分類ヘッドと解釈可能なオフライン監査のためのSFTに基づく生成推論を組み合わせたデュアルモードアプローチを開発した。
論文参考訳（メタデータ） (2026-07-13T07:28:45Z)
Auditing Generalization in AI-Generated Video Detection: A Six-Control Protocol and the VidAudit Toolkit [8.665845754660458]
AI生成ビデオ検出のGenVidBenchとAIGVDBenchが事実上のリーダーボードだ。ほとんどの評価プロトコルは、報告された一般化を拡大できる制御されていない欠点を残している。 20紙の調査では、これをキャッチする標準的な6つのコントロールをすべて適用していない。それらを監査プロトコルに組み合わせて、6つの代表的な特徴源に適用する。
論文参考訳（メタデータ） (2026-06-30T00:29:53Z)
Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文参考訳（メタデータ） (2026-06-29T06:39:03Z)
PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
論文参考訳（メタデータ） (2026-06-26T17:59:15Z)
SSR: Safeguarding Staking Rewards by Defining and Detecting Logical Defects in DeFi Staking [55.62033436283969]
DeFi(Decentralized Finance)の買収は、DeFiエコシステムにおける最も顕著なアプリケーションの1つだ。 DeFiの盗難の論理的欠陥により、攻撃者は不当な報酬を請求できる。我々は,DeFi取引契約における論理的欠陥を検出するための静的解析ツールであるSSR(Safeguarding Stake Reward)を開発した。
論文参考訳（メタデータ） (2026-01-09T15:01:41Z)
ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文参考訳（メタデータ） (2020-06-11T16:15:06Z)

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。