論文の概要: Graph Computing for Financial Crime and Fraud Detection: Trends, Challenges and Outlook

• arxiv url: http://arxiv.org/abs/2103.03227v1
• Date: Tue, 2 Mar 2021 21:14:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 15:04:55.789640
• Title: Graph Computing for Financial Crime and Fraud Detection: Trends, Challenges and Outlook
• Title（参考訳）: 金融犯罪と不正検出のためのグラフコンピューティング:トレンド,課題,展望
• Authors: E.Kurshan, H. Shen
• Abstract要約: 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。
• 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: The rise of digital payments has caused consequential changes in the financial crime landscape. As a result, traditional fraud detection approaches such as rule-based systems have largely become ineffective. AI and machine learning solutions using graph computing principles have gained significant interest in recent years. Graph-based techniques provide unique solution opportunities for financial crime detection. However, implementing such solutions at industrial-scale in real-time financial transaction processing systems has brought numerous application challenges to light. In this paper, we discuss the implementation difficulties current and next-generation graph solutions face. Furthermore, financial crime and digital payments trends indicate emerging challenges in the continued effectiveness of the detection techniques. We analyze the threat landscape and argue that it provides key insights for developing graph-based solutions.
• Abstract（参考訳）: 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。 その結果、ルールベースシステムのような従来の不正検出手法は、ほとんど効果が無くなっている。 グラフコンピューティングの原則を用いたAIと機械学習のソリューションは、近年大きな関心を集めている。 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。 しかし、リアルタイム金融取引処理システムにおける産業規模でのそのようなソリューションの実装は、多くのアプリケーション課題を浮き彫りにしている。 本稿では,現在および次世代グラフソリューションが直面する実装難しさについて述べる。 さらに、金融犯罪やデジタル決済の傾向は、検出技術の継続的な有効性の新たな課題を示している。 脅威の状況を分析し、グラフベースのソリューションを開発する上で重要な洞察を提供すると主張します。

関連論文リスト

• Financial Fraud Detection using Jump-Attentive Graph Neural Networks [0.0]
  金融サービス部門の大部分は、トランザクションデータをモデル化するために、XGBoost、Random Forest、ニューラルネットワークなど、さまざまな機械学習アルゴリズムを使用している。 非類似ノードからのカモフラージュ検出と重要な特徴情報の保存に有効な効率的な近傍サンプリング手法を用いた新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-07T05:12:51Z)
• Safety in Graph Machine Learning: Threats and Safeguards [84.26643884225834]
  社会的利益にもかかわらず、最近の研究はグラフMLモデルの普及に伴う重要な安全性上の懸念を浮き彫りにしている。 安全性を重視した設計が欠如しているため、これらのモデルは信頼性の低い予測を導き、一般化性の低下を示し、データの機密性を侵害することができる。 金融詐欺検出のような高額なシナリオでは、これらの脆弱性は個人と社会の両方を全般的に危険に晒す可能性がある。
  論文  参考訳（メタデータ） (2024-05-17T18:11:11Z)
• 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)
• Financial Crime & Fraud Detection Using Graph Computing: Application Considerations & Outlook [0.0]
  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。
  論文  参考訳（メタデータ） (2021-03-02T16:40:11Z)
• 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)
• 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。