論文の概要: CARTA: Self-Supervised Reusable Transaction Embeddings via Heterogeneous Tokenization and Cross-Attention

• arxiv url: http://arxiv.org/abs/2610.24920v1
• Date: Sat, 17 Oct 2026 23:56:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:09:11.594821
• Title: CARTA: Self-Supervised Reusable Transaction Embeddings via Heterogeneous Tokenization and Cross-Attention
• Title（参考訳）: CARTA:不均一なトークン化とクロスアテンションによる自己監督型再利用可能なトランザクション埋め込み
• Abstract要約: ラベルのない生トランザクションから16次元のコンパクトな埋め込みを学習する自己教師型エンコーダCARTAを提案する。 CARTAはラベルのない再利用可能な表現であり、タスク固有の教師付きモデルを補完する。
• 参考スコア（独自算出の注目度）: 0.46664938579243564
• License:
• Abstract: Acquiring fraud labels for payment transactions is expensive and inconsistent across tasks, and high-cardinality identifiers such as merchant names make one-hot feature pipelines infeasible at scale. We present CARTA, a self-supervised encoder that learns a compact 16-dim embedding from raw transactions without labels; the frozen embedding is then reused for label-efficient fraud probing and exploratory unsupervised risk stratification without retraining the encoder. CARTA uses type-specific projections with learned embedding tables for high-cardinality identifiers, trained with token excision and InfoNCE contrastive loss. On IEEE-CIS, its linear probe at 1% of labels exceeds a raw-feature probe at 100%; on IBM TabFormer (2M rows), its frozen embedding reaches GBDT AUPRC 0.508, above frequency encoding (0.411) and the merchant-dropping baseline (0.022), though fully-supervised CatBoost is stronger. CARTA is a label-free, reusable representation that complements task-specific supervised models.
• Abstract（参考訳）: 支払い取引のための不正ラベルの取得は、タスク間でコストがかかり、一貫性がない。 ラベルのない生トランザクションからコンパクトな16次元埋め込みを学習する自己教師型エンコーダであるCARTAについて述べる。 CARTAは、トークンの排他とInfoNCEの対照的な損失で訓練された、高カルディナリティ識別子のための学習済みの埋め込みテーブルを備えたタイプ固有のプロジェクションを使用する。 IBM TabFormer(2M行)では、凍結した埋め込みがGBDT AUPRC 0.508に到達し、周波数符号化 (0.411) と商人ドロップングベースライン (0.022) は高いが、完全に監督されたCatBoostはより強い。 CARTAはラベルのない再利用可能な表現であり、タスク固有の教師付きモデルを補完する。

関連論文リスト

• Temporal Heterogeneous Graph Transformer for Credit Card Fraud Detection [0.0]
  本稿では, フラッド検出のための時間不均一グラフ変換器THGT-FDを提案する。 IEEE-CIS Fraud Detectionデータセットからサンプリングした15万件のトランザクションについて実験を行った。
  論文  参考訳（メタデータ） (2026-09-07T06:43:38Z)
• Semi-Supervised Masked Autoencoders: Unlocking Vision Transformer Potential with Limited Data [13.807896870065706]
  本研究では,未ラベルとラベル付きの両方のサンプルを用いて,マスク付き画像再構成と分類を共同で最適化するフレームワークを提案する。 SSMAEは、モデルが信頼性の高い高信頼の予測を達成した後のみ擬似ラベルを活性化するバリデーション駆動のゲーティング機構を導入する。 この結果から,擬似ラベルの導入は,データ効率のよいトランスフォーマートレーニングにおいて,その生成方法と同じくらい重要であることが示された。
  論文  参考訳（メタデータ） (2026-01-27T21:32:22Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• From Lazy to Prolific: Tackling Missing Labels in Open Vocabulary Extreme Classification by Positive-Unlabeled Sequence Learning [5.979699034554517]
  Open-vocabulary Extreme Multi-label Classification (OXMC)は、従来のXMCを拡張し、ラベルセットが103ドルから1012ドルを超える予測を可能にする。 データアノテーションにおける自己選択バイアスは、トレーニングデータとテストデータの両方に重大な欠陥ラベルをもたらす。 本稿では OXMC をキーフレーズ生成タスクとして再構成する PUSL (Positive-Unlabeled Sequence Learning) を提案する。
  論文  参考訳（メタデータ） (2024-08-16T19:10:48Z)
• Alternative Pseudo-Labeling for Semi-Supervised Automatic Speech Recognition [49.42732949233184]
  ラベル付きデータが不十分な場合、擬似ラベル技術による半教師付き学習は自動音声認識の性能を大幅に向上させることができる。 損失関数のグラウンドトルースとしてノイズラベルを取ると、最適以下の性能が得られる。 そこで我々は,ノイズの多い擬似ラベル問題に対処するために,代替擬似ラベル方式という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-12T12:13:52Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
  Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。 CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
  論文  参考訳（メタデータ） (2022-02-17T08:09:40Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)

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。