論文の概要: InterFuse: Interaction-Guided Adaptive Fusion of Heterogeneous Models for Payment Risk Ranking

• arxiv url: http://arxiv.org/abs/2611.02640v1
• Date: Mon, 02 Nov 2026 07:02:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:52:30.057181
• Title: InterFuse: Interaction-Guided Adaptive Fusion of Heterogeneous Models for Payment Risk Ranking
• Title（参考訳）: InterFuse: 報酬リスクランキングのための不均一モデルの相互誘導型適応融合
• Abstract要約: 本稿では、モデル間相互作用から共有融合状態を用いてトランザクション適応集約を誘導する融合フレームワークを提案する。 InterFuseは各モデルの表現、予測スコア、入力カバレッジをモデル固有のトークンとしてエンコードする。 我々は、同じ上流モデルを用いて、産業用決済リプレイと3つの公的金融ベンチマークでInterFuseを評価した。
• 参考スコア（独自算出の注目度）: 11.90035426756834
• License:
• Abstract: Payment platforms use view-specific models trained on transaction attributes, behavioral histories, and relational structures to rank transactions under limited review budgets. However, existing fusion methods often focus on prediction scores or interactions among model representations, with less attention to how these interactions should guide aggregation using each model's original prediction and input coverage. To address this limitation, we propose InterFuse, a fusion framework that uses a shared fusion state from cross-model interaction to guide transaction-adaptive aggregation. InterFuse encodes each model's representation, prediction score, and input coverage as a model-specific token, using learned states for unavailable outputs. Availability-aware attention updates these tokens and produces a shared fusion state. This state then guides aggregation over available models using their updated representations, original predictions, and input coverage. We evaluate InterFuse on an industrial payment replay and three public financial benchmarks using the same upstream models across fusion methods. InterFuse achieves the highest top-ranked recall and AUC on all four datasets, improving Recall@1% by 1.11-8.09 percentage points over the strongest baselines. Ablations show the benefits of cross-model interaction and adaptive aggregation, while industrial analyses find larger interaction gains when model predictions disagree. Additional analyses examine robustness to missing outputs and the trade-off between ranking gains and fusion latency.
• Abstract（参考訳）: 支払いプラットフォームは、トランザクション属性、行動履歴、リレーショナル構造に基づいてトレーニングされたビュー固有のモデルを使用して、限定的なレビュー予算の下でトランザクションをランク付けする。 しかし、既存の融合法は、しばしばモデル表現間の予測スコアや相互作用に焦点を合わせ、これらの相互作用が各モデルの元々の予測と入力カバレッジを使用して集約をどのように導くべきかに注意を向けない。 この制限に対処するため、我々は、相互モデル間相互作用から共有融合状態を使用してトランザクション適応的な集約を誘導する融合フレームワークであるInterFuseを提案する。 InterFuseは、モデル固有のトークンとして各モデルの表現、予測スコア、入力カバレッジをエンコードする。 アベイラビリティ対応の注意がトークンを更新し、共有核融合状態を生成する。 この状態は、更新された表現、元の予測、入力カバレッジを使用して、利用可能なモデルを集約する。 産業用決済リプレイにおけるInterFuseの評価と,同じ上流モデルを用いた3つのファイナンシャルベンチマークを行った。 InterFuseは4つのデータセットで最高ランクのリコールとAUCを達成し、最強のベースラインに対してRecall@1%を1.11-8.09ポイント改善した。 アブレーションは、モデル間の相互作用と適応的なアグリゲーションの利点を示し、一方、産業分析はモデル予測が一致しないときにより大きな相互作用の利得を見出す。 さらなる分析では、出力不足に対する堅牢性と、ランキングゲインと融合遅延の間のトレードオフについて検討している。

関連論文リスト

• TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
  TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。 TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-02-05T16:49:44Z)
• HoMer: Addressing Heterogeneities by Modeling Sequential and Set-wise Contexts for CTR Prediction [10.779868699316829]
  逐次的および集合的コンテキストをモデル化するためのホモジニアス指向トランスフォーマーであるHoMerを提案する。 HoMerは、AUCメトリックで工業ベースラインを0.0099向上させ、CTR/RPMのようなオンラインビジネスメトリクスを1.99%/2.46%向上させています。
  論文  参考訳（メタデータ） (2025-10-13T07:47:03Z)
• Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
  Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。 ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。 ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
  論文  参考訳（メタデータ） (2025-10-04T11:10:07Z)
• Conv4Rec: A 1-by-1 Convolutional AutoEncoder for User Profiling through Joint Analysis of Implicit and Explicit Feedbacks [35.7275102787435]
  ユーザモデリングとレコメンデーションタスクのための新しい畳み込み型AutoEncoderアーキテクチャを導入する。 このモデルでは,明示的な評価とサンプリングパターンの暗黙的な情報の両方から,共同で学習することができる。 いくつかの実生活データセットの実験において、暗黙的および明示的なフィードバック予測タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-09T08:25:11Z)
• Continuous Online Adaptation Driven by User Interaction for Medical Image Segmentation [4.108648382853423]
  インタラクティブセグメンテーションモデルは、マウスクリックなどのリアルタイムユーザインタラクションを、モデル予測を動的に洗練するために追加入力として使用する。 モデル配置後、モデル予測のユーザ修正を使用して、モデルをデプロイ後のデータ分布に適応させることができる。 本稿では,対話型セグメンテーションモデルをユーザインタラクションから継続的に学習するオンライン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T18:19:08Z)
• FuXi-$α$: Scaling Recommendation Model with Feature Interaction Enhanced Transformer [81.12174905444229]
  近年の進歩は、大規模レコメンデーションモデルに逐次レコメンデーションモデルを拡張することが効果的な戦略であることを示している。 これらの問題に対処するために、FuXi-$alpha$と呼ばれる新しいモデルを提案する。 我々のモデルは既存のモデルよりも優れており、モデルのサイズが大きくなるにつれてその性能は継続的に向上する。
  論文  参考訳（メタデータ） (2025-02-05T09:46:54Z)
• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Federated Learning of Models Pre-Trained on Different Features with Consensus Graphs [19.130197923214123]
  プライベートデータセットと分散データセットで効果的なグローバルモデルを学ぶことは、機械学習においてますます重要な課題になりつつある。 本稿では,局所モデルから局所表現を抽出し,それらをグローバル表現に組み込んで予測性能を向上させる特徴融合手法を提案する。 本稿では,これらの問題に対する解決策を提示し,電力網や交通網などの時系列データを用いた実世界の応用例を示す。
  論文  参考訳（メタデータ） (2023-06-02T02:24:27Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)

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。