論文の概要: A Time-Frequency based Suspicious Activity Detection for Anti-Money
Laundering
- arxiv url: http://arxiv.org/abs/2011.08492v1
- Date: Tue, 17 Nov 2020 08:01:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 15:54:54.111600
- Title: A Time-Frequency based Suspicious Activity Detection for Anti-Money
Laundering
- Title(参考訳): アンチモニー洗浄における時間周波数に基づく注目活動検出
- Authors: Utku G\"orkem Ketenci and Tolga Kurt and Selim \"Onal and Cenk Erbil
and Sinan Akt\"urko\u{g}lu and Hande \c{S}erban \.Ilhan
- Abstract要約: マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入するために使う重要なメカニズムである。
これらの機関の現在のシステムのほとんどはルールベースであり、非効率である。
本稿では、金融取引の2次元表現を利用した時間周波数分析に基づく新しい特徴セットを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Money laundering is the crucial mechanism utilized by criminals to inject
proceeds of crime to the financial system. The primary responsibility of the
detection of suspicious activity related to money laundering is with the
financial institutions. Most of the current systems in these institutions are
rule-based and ineffective. The available data science-based anti-money
laundering (AML) models in order to replace the existing rule-based systems
work on customer relationship management (CRM) features and time
characteristics of transaction behaviour. However, there is still a challenge
on accuracy and problems around feature engineering due to thousands of
possible features.
Aiming to improve the detection performance of suspicious transaction
monitoring systems for AML systems, in this article, we introduce a novel
feature set based on time-frequency analysis, that makes use of 2-D
representations of financial transactions. Random forest is utilized as a
machine learning method, and simulated annealing is adopted for hyperparameter
tuning. The designed algorithm is tested on real banking data, proving the
efficacy of the results in practically relevant environments. It is shown that
the time-frequency characteristics of suspicious and non-suspicious entities
differentiate significantly, which would substantially improve the precision of
data science-based transaction monitoring systems looking at only time-series
transaction and CRM features.
- Abstract(参考訳): マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入する重要なメカニズムである。
マネーロンダリングに関連する不審な活動を検出する主な責任は、金融機関である。
これらの機関の現在のシステムのほとんどはルールベースで非効率である。
データサイエンスベースのアンチマネーロンダリング(AML)モデルは、既存のルールベースのシステムが顧客関係管理(CRM)の機能やトランザクションの振る舞いの時間的特性に取り組むのを置き換えるために利用できる。
しかし、数千の可能な機能のために、機能エンジニアリングに関する正確さと問題にはまだ課題がある。
本稿では、AMLシステムにおける不審取引監視システムの検出性能の向上を目的として、金融取引の2次元表現を利用した時間周波数解析に基づく新しい特徴セットを提案する。
ランダムフォレストを機械学習手法として活用し、ハイパーパラメータチューニングにはシミュレーションアニーリングが採用されている。
設計したアルゴリズムは実際の銀行データ上でテストされ、実際の関連環境での結果の有効性が証明される。
疑わしい,非目立たしいエンティティの時間周波数特性は,データサイエンスに基づくトランザクション監視システムにおいて,時系列トランザクションとCRM機能のみに着目した精度を大幅に向上させると考えられる。
関連論文リスト
- Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳(メタデータ) (2024-06-05T20:19:09Z) - Securing Transactions: A Hybrid Dependable Ensemble Machine Learning
Model using IHT-LR and Grid Search [2.4374097382908477]
本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。
実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。
提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
論文 参考訳(メタデータ) (2024-02-22T09:01:42Z) - Topology-Agnostic Detection of Temporal Money Laundering Flows in
Billion-Scale Transactions [0.03626013617212666]
本稿では,シーケンシャルトランザクションの時間グラフを効率的に構築するフレームワークを提案する。
我々は,不審な取引フローを検出するための2つの最先端ソリューションに対するフレームワークのスケーラビリティと有効性を評価する。
論文 参考訳(メタデータ) (2023-09-24T15:11:58Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - LaundroGraph: Self-Supervised Graph Representation Learning for
Anti-Money Laundering [5.478764356647437]
LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。
マネーロンダリング防止プロセスを支援するための洞察を提供する。
我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
論文 参考訳(メタデータ) (2022-10-25T21:58:02Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。
検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。
これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
論文 参考訳(メタデータ) (2022-07-07T18:26:32Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Anti-Money Laundering Alert Optimization Using Machine Learning with
Graphs [0.769672852567215]
マネーロンダリング(英: Money laundering)は、重大通貨からの収益(毎年1.7-4兆ユーロ)の合法化に関する世界的な問題である。
本稿では,ルールベースシステムを補完し,警告のリスクを正確に予測する機械学習トリアージモデルを提案する。
実世界の銀行のデータセット上で、我々のモデルを検証し、トリアージモデルが真正の90%以上を検出しながら、偽正の数を80%削減できることを示す。
論文 参考訳(メタデータ) (2021-12-14T16:12:30Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z) - ARMS: Automated rules management system for fraud detection [1.7499351967216341]
オンライン不正検出は、入ってくる取引を合法か不正かのどちらかにリアルタイムで分類する。
現代の不正検出システムは、人間の専門家によって定義された機械学習モデルとルールで構成されている。
本稿では,個々のルールの貢献度を評価する自動ルール管理システムARMSを提案し,検索とユーザ定義の損失関数を用いたアクティブなルールセットを最適化する。
論文 参考訳(メタデータ) (2020-02-14T15:29:59Z)
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。