論文の概要: Financial Crime & Fraud Detection Using Graph Computing: Application
Considerations & Outlook
- arxiv url: http://arxiv.org/abs/2103.01854v1
- Date: Tue, 2 Mar 2021 16:40:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:13:17.405210
- Title: Financial Crime & Fraud Detection Using Graph Computing: Application
Considerations & Outlook
- Title(参考訳): グラフコンピューティングによる金融犯罪と不正検出: アプリケーションの考察と展望
- Authors: E. Kurshan, H. Shen, H.Yu
- Abstract要約: グラフニューラルネットワークと新たな適応ソリューションは、詐欺や金融犯罪検出の将来に魅力的な機会を提供する。
金融取引処理システムにおけるグラフベースのソリューションの実装は、多くの障害とアプリケーションの考慮を明らかにした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the unprecedented growth in digital payments fueled
consequential changes in fraud and financial crimes. In this new landscape,
traditional fraud detection approaches such as rule-based engines have largely
become ineffective. AI and machine learning solutions using graph computing
principles have gained significant interest. Graph neural networks and emerging
adaptive solutions provide compelling opportunities for the future of fraud and
financial crime detection. However, implementing the graph-based solutions in
financial transaction processing systems has brought numerous obstacles and
application considerations to light. In this paper, we overview the latest
trends in the financial crimes landscape and discuss the implementation
difficulties current and emerging graph solutions face. We argue that the
application demands and implementation challenges provide key insights in
developing effective solutions.
- Abstract(参考訳): 近年、デジタル決済の先例のない成長は、詐欺や金融犯罪の連続的な変化を促した。
この新しい状況では、ルールベースのエンジンのような従来の不正検出アプローチはほとんど効果がない。
グラフコンピューティングの原則を使ったaiと機械学習のソリューションが大きな関心を集めている。
グラフニューラルネットワークと新たな適応ソリューションは、詐欺や金融犯罪検出の将来に魅力的な機会を提供する。
しかし、金融取引処理システムにおけるグラフベースのソリューションの実装は、多くの障害とアプリケーションの考慮を明らかにした。
本稿では,金融犯罪現場の最新動向を概観し,現在と新興のグラフソリューションが直面する実装の難しさについて論じる。
アプリケーションの要求と実装の課題は、効果的なソリューションを開発する上で重要な洞察を提供する。
関連論文リスト
- 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) - Graph Mining for Cybersecurity: A Survey [61.505995908021525]
マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。
従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。
グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
論文 参考訳(メタデータ) (2023-04-02T08:43:03Z) - Detection of fraudulent financial papers by picking a collection of
characteristics using optimization algorithms and classification techniques
based on squirrels [0.0]
本手法は,財務諸表の異常を検出するためのモデルを提供することを目的としている。
リス最適化のメタ探索能力は、金融データの異常を識別するアプローチの能力とともに、提案した戦略の実装に有効であることが示されている。
論文 参考訳(メタデータ) (2022-10-12T12:34:40Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳(メタデータ) (2021-10-04T03:42:09Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - Towards Artificial Intelligence Enabled Financial Crime Detection [0.0]
我々は、金融犯罪検知における最近の研究成果を研究・分析する。
本稿では,人的介入を最小限に抑えたマネーロンダリング事例を検出する新しいモデルを提案する。
論文 参考訳(メタデータ) (2021-05-23T06:57:25Z) - Graph Computing for Financial Crime and Fraud Detection: Trends,
Challenges and Outlook [0.0]
デジタル決済の台頭は、金融犯罪の状況に一連の変化をもたらした。
ルールベースのシステムのような従来の不正検出手法は、ほとんど効果がない。
グラフベースの技術は、金融犯罪検出にユニークな解決策を提供する。
論文 参考訳(メタデータ) (2021-03-02T21:14:44Z) - Supporting Financial Inclusion with Graph Machine Learning and Super-App
Alternative Data [63.942632088208505]
スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。
本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
論文 参考訳(メタデータ) (2021-02-19T15:13:06Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳(メタデータ) (2020-03-31T16:47:20Z) - A Semi-supervised Graph Attentive Network for Financial Fraud Detection [30.645390612737266]
本稿では,多視点ラベル付きおよびラベルなしデータを不正検出に用いる半教師付き減衰型グラフニューラルネットワークSemiSemiGNNを提案する。
ソーシャルリレーションとユーザ属性を利用することで,2つのタスクにおける最先端手法と比較して精度が向上する。
論文 参考訳(メタデータ) (2020-02-28T10:35:25Z)
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。