論文の概要: PersonaAgent: Retrieval-Augmented Transaction Anomaly Scoring with Refreshable Multi-Entity Persona Memory
- arxiv url: http://arxiv.org/abs/2611.08094v1
- Date: Thu, 05 Nov 2026 14:37:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.542339
- Title: PersonaAgent: Retrieval-Augmented Transaction Anomaly Scoring with Refreshable Multi-Entity Persona Memory
- Title（参考訳）: PersonaAgent: Retrieval-Augmented Transaction Anomaly Scoring with Refreshable Multi-Entity Persona Memory
- Abstract要約: PersonaAgentは、最新のエンティティの動作信号をペルソナとして表現し、リフレッシュ可能なメモリに保存する。
推論時に、軽量アダプタは、各トランザクションの対応するエンティティ動作信号をメモリから検索する。
PersonaAgent はトランザクションを効率よくスコアし(1000-transaction CPU バッチを 1-2 ms で取得)、PR-AUC を 0.65-6.58%、生産ビジネスのメトリックを 8.93-14.24% に引き上げる。
- 参考スコア（独自算出の注目度）: 26.559273265456685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In large-scale payment networks, entities (card, merchant, etc.) and their interactions play a key role in transaction anomaly detection. However, transaction patterns between different entities usually change more frequently than the production model refresh schedule. Meanwhile, entity embedding tables suffer from high-cardinality and sparse interaction issues. To resolve the above challenges, we present PersonaAgent, an agentic transaction anomaly detection framework which represents the latest entity behavior signals as personas and saves them in a refreshable memory. Offline, a weekly scheduled batch job is used to extract the latest behavior signals and update them in the memory. At inference time, a lightweight adapter retrieves the corresponding entity behavior signals of each transaction from memory and uses them to augment the base anomaly classifier's scoring. Through comprehensive benchmarking with different anomaly detection models at Visa, PersonaAgent is able to score transactions efficiently (a 1,000-transaction CPU batch in 1-2 ms), lifting the PR-AUC by 0.65-6.58% and the production business metric by 8.93-14.24% relatively in deployment.
- Abstract（参考訳）: 大規模決済ネットワークでは、エンティティ(カード、商店など)とその相互作用がトランザクション異常検出において重要な役割を果たす。
しかしながら、異なるエンティティ間のトランザクションパターンは通常、プロダクションモデルのリフレッシュスケジュールよりも頻繁に変化する。
一方、エンティティの埋め込みテーブルは、高カーディナリティとスパース相互作用の問題に悩まされている。
上記の課題を解決するために,最新のエンティティ動作信号をペルソナとして表現し,リフレッシュ可能なメモリに保存するエージェントトランザクション異常検出フレームワークであるPersonaAgentを提案する。
オフラインでは、毎週スケジュールされたバッチジョブを使用して、最新の動作信号を抽出し、メモリ内で更新する。
推論時に、ライトウェイトアダプタは、各トランザクションの対応するエンティティ動作信号をメモリから取得し、それらを使用してベース異常分類器のスコアを増大させる。
Visaのさまざまな異常検出モデルによる総合的なベンチマークにより、PersonaAgentはトランザクションを効率よく(1000トランザクションのCPUバッチを1-2ミリ秒で)、PR-AUCを0.65-6.58%、生産ビジネスのメトリックを8.93-14.24%引き上げることができる。
関連論文リスト
- TRACK: Multiple Instance Learning for Anti-Money Laundering in Transaction Networks [35.86849795621739]
マネーロンダリングに対する捜査は、口座を中心に組織されている。
多くのアカウントレベルの検出器は学習前にトランザクションを要約し、メッセージパッシングモデルは近隣のアカウントに再び集約する。
この不一致をアグリゲーションミスマッチと呼び、少なくとも1つのフラグ付きトランザクションの存在によって定義されたアカウントウインドウベンチマークラベルの下で研究する。
本稿では,すべてのトランザクションを共有エンコーダでエンコードし,そのエンコーダをアカウント決定に選択的にプールするTRACKを提案する。
論文 参考訳（メタデータ） (2026-11-04T06:39:53Z) - CoGSeq-LTV: Scalable Missing-Aware Graph-Sequence Modeling for Multi-Business Transaction Analytics [26.40145817757148]
大規模スーパーアプリは、ユーザが複数のビジネスと対話する異種トランザクションログを生成する。
単一テーブルタスクではなく,データ集約分析問題として,マルチビジネス,マルチホライズン値の予測について検討した。
論文 参考訳（メタデータ） (2026-11-01T11:32:46Z) - From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - Multi-Agent Computer Use [72.79887808312706]
我々はマルチエージェント・コンピュータ・ユース(MACU)システムの評価・構築に向けて進むべきであると論じる。
本稿では、マネージャモデルがコンピュータ使用タスクを有向非巡回グラフ(DAG)として分解する汎用マルチエージェント構成を提案する。
各イテレーションで、マネージャは並列CUAサブエージェントをディスパッチし、DAGの準備ができているフロンティアでノードを実行する。
論文 参考訳（メタデータ） (2026-06-01T01:29:36Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z) - Leveraging large language models for SQL behavior-based database intrusion detection [11.867133683645871]
データベースシステムは、様々なドメインにまたがる重要なデータを格納するために広く使われている。
内部攻撃や外部攻撃によるデータベース侵入のような異常なデータベースアクセス行動の頻度は上昇し続けている。
現在のアプローチでは、運用レベルで異常を検出するために必要な粒度が不足している。
論文 参考訳（メタデータ） (2025-08-06T09:53:38Z) - Advanced fraud detection using machine learning models: enhancing financial transaction security [0.3370543514515051]
本研究では、現実世界のデータを用いて、クレジットカード取引異常や不正を検知するエンドツーエンドで機能豊富な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-12T15:59:25Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-10-26T08:36:39Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - Collaborative Anomaly Detection [66.51075412012581]
本研究では,タスク間の相関関係を埋め込むことで,全てのタスクを共同で学習するための協調的異常検出(CAD)を提案する。
条件密度推定と条件確率比推定を用いてCADを探索する。
タスク埋め込みモデルを学ぶために、前もって少数のタスクを選択し、それを使ってタスク埋め込みをウォームスタートさせることは有益である。
論文 参考訳（メタデータ） (2022-09-20T18:01:07Z)
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。