論文の概要: TRIDENT-Seq: Profile-Matched Prefix-Future Contrast for Label-Efficient Payment Risk Modeling
- arxiv url: http://arxiv.org/abs/2610.37365v2
- Date: Wed, 28 Oct 2026 05:18:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.527992
- Title: TRIDENT-Seq: Profile-Matched Prefix-Future Contrast for Label-Efficient Payment Risk Modeling
- Title（参考訳）: TRIDENT-Seq:ラベル効率の良い支払リスクモデリングのためのプロファイルマッチングプレフィックスフューチャーコントラスト
- Abstract要約: Ant Internationalは、ユーザと支払いビジネスの間で大量のトランザクション履歴を蓄積している。
PFC(Prefix-Future Contrast)を用いたトランザクション基盤モデルTRIDENT-Seqを提案する。
PFCは各接頭辞に類似した行動プロファイルを持つ候補者のその後の行動の要約と一致する。
- 参考スコア（独自算出の注目度）: 11.099727240743926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ant International accumulates large volumes of transaction history across users and payment businesses. Confirmed fraud and chargeback outcomes, by contrast, are scarce, delayed, and specific to each business. A single encoder pretrained on unlabeled histories could serve all businesses, but only if pretraining captures the behavior that separates risk. Coarse activity differences can make contrastive pretraining on transaction logs too easy: transaction volume, amount, and timing can distinguish a history's continuation from arbitrary candidates without modeling how payment resources are used. We present TRIDENT-Seq, a transaction foundation model trained with Prefix-Future Contrast (PFC). PFC matches each prefix to a summary of its subsequent behavior among candidates with similar activity profiles; activity prediction and dispersion regularization act on the encoder output. Across three production payment businesses, the pretrained encoder improves average precision (AP) and recall at a 0.5% intervention budget over architecture-matched scratch training in all six business-budget settings. With a fixed validation set, it exceeds full-label scratch training in mean AP and recall using 10% of the training labels on Wallet and 25% on Shopping and SME. Pretraining only on another business's histories still helps. Replacing profile-matched candidates with random ones cuts recall from 24.62% to 5.64%. In Ant International's deployment evaluation, recorded amount-based chargeback and overall loss rates are 37.7% and 37.9% lower than those of the previous XGBoost-based system under the same intervention budget.
- Abstract（参考訳）: Ant Internationalは、ユーザと支払いビジネスの間で大量のトランザクション履歴を蓄積している。
一方、確認された詐欺やチャージバックの結果は、ほとんどなく、遅れており、それぞれのビジネスに特有である。
ラベルのない履歴に基づいて事前訓練された1つのエンコーダは、すべてのビジネスに役立ちますが、事前訓練がリスクを分離する振る舞いを捉えている場合のみです。
トランザクション量、量、タイミングは、支払いリソースの使い方をモデル化することなく、任意の候補から履歴の継続を区別することができる。
本稿では、Prefix-Future Contrast (PFC) を用いてトレーニングされたトランザクション基盤モデルTRIDENT-Seqを提案する。
PFCは各プレフィックスを、類似した行動プロファイルを持つ候補者のその後の行動の要約と一致し、エンコーダ出力に活動予測と分散正則化が作用する。
3つのプロダクションペイメントビジネス全体で、事前訓練されたエンコーダは平均精度(AP)を改善し、6つのビジネス予算設定すべてにおいて、アーキテクチャに適合したスクラッチトレーニングよりも0.5%の介入予算でリコールする。
固定された検証セットでは、平均APでのフルラベルのスクラッチトレーニングを超え、Walletのトレーニングラベルの10%をリコールし、ショッピングと中小企業の25%をリコールする。
他のビジネスの履歴にのみ事前学習が役立ちます。
プロフィールにマッチした候補をランダムな候補に置き換えると、リコールは24.62%から5.64%に削減される。
Ant Internationalの展開評価では、記録された量ベースのチャージバックと全体的な損失率は、同じ介入予算の下で前のXGBoostベースのシステムよりも37.7%、37.9%低い。
関連論文リスト
- JockeyBench: Evaluating LLM Agents on Horse-Racing Decision-Making [51.28684419852576]
繰り返し発生する事象予測には、ノイズのある証拠から予測信号を抽出する必要がある。
本稿では,歴史的競馬を通じてこの問題を研究するベンチマークおよび評価プロトコルであるJockeyBenchを紹介する。
論文 参考訳（メタデータ） (2026-10-14T04:59:45Z) - Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models [87.94969284553706]
エンド・ツー・エンドのpass@$K$は、成功した振る舞いがベースモデルのディストリビューションにすでに現れるかどうかをテストする。
コールドスタートからハーネスを駆動するために、ベースチェックポイントを必要としない3つのスクリーンを構築します。
3つの画面はいずれも、ポストトレーニング後のSWE-bench Verified pass@$1$と密接に一致して、コホートをランク付けする。
論文 参考訳（メタデータ） (2026-10-07T17:37:19Z) - When Privacy Moves ML-Mediated Decisions On Device: Information and Incentive Misalignment in Auctions [0.0]
我々は,36個のキャンペーンと50個のデバイスを用いた,オークション論理に富んだデバイス上でのシミュレーションにおいて,情報の不一致について検討した。
30対の需要経路、比例 ペイシングでさえ1回の安定化の後17.77%、当初の20時間の予算圧力の下で50回のギグ後に1,669.31%を超過している。
可視予算のノーセールガードは、このスコア単位の粒度でゼロラグのコンプライアンスを正確にするが、他のデバイスのデビットが見えないため、11.88%は1ニッチでオーバースペンドする。
論文 参考訳（メタデータ） (2026-09-27T07:25:27Z) - EarlyEval: Cheaper Agent Evaluation via Early Outcome Prediction [14.50182233464472]
我々は,各タスクのコストを削減するために,効率の相補軸である早期結果予測を導入する。
EarlyEvalはエージェントステップの13%-26%、入力トークン44.1%、出力トークン29.4%を89%～97%の精度で除去できる。
論文 参考訳（メタデータ） (2026-09-02T16:15:18Z) - BiasMix-Finance: Post-Generation KYC Guardrails for LLM Portfolio Advice [4.108510562556002]
大規模言語モデル(LLM)は、リスク、手数料、多様化に関する基本的な制約を静かに違反しながら、もっともらしいETFポートフォリオを生成することができる。
モデル非依存・資産非依存・ポストジェネレーションガードレールパイプラインについて検討する。
バイアス世代に基づく制約付き意思決定のためのコンパクトなストレステストベンチマークであるBiasMix-Finance(Mini)を紹介する。
論文 参考訳（メタデータ） (2026-08-14T05:32:14Z) - Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。
以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。
我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
論文 参考訳（メタデータ） (2026-07-30T16:22:13Z) - Causal Label Recovery in Payment Networks [0.0]
支払いネットワークにおける不正検出モデルは、体系的にバイアスのあるチャージバックラベルでトレーニングする。
共用紙 [arXiv05:26.27557] は、これらの4つの障害が検出性能に最小限の上限を課すことを示した。
観測パイプラインを3段階, 破損層を有する逐次欠落データ問題として定式化し, 逐次トリプライロバスト推定器を構築した。
論文 参考訳（メタデータ） (2026-05-28T02:43:34Z) - Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。
本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
論文 参考訳（メタデータ） (2026-05-07T06:31:34Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Retraining with Predicted Hard Labels Provably Increases Model Accuracy [77.71162068832108]
リトレーニングは、与えられた(ノイズの多い)ラベルで最初にトレーニングすることで得られる人口の精度を向上させることができる。
予測ラベルが与えられたラベルにマッチするサンプルを選択的に再トレーニングすることで、余分なプライバシコストを伴わずにラベルDPトレーニングを大幅に改善できることを実証的に示す。
論文 参考訳（メタデータ） (2024-06-17T04:53:47Z)
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。