論文の概要: The Importance of Future Information in Credit Card Fraud Detection
- arxiv url: http://arxiv.org/abs/2204.05265v1
- Date: Mon, 11 Apr 2022 17:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:12:01.961423
- Title: The Importance of Future Information in Credit Card Fraud Detection
- Title（参考訳）: クレジットカード不正検出における将来情報の重要性
- Authors: Van Bach Nguyen, Kanishka Ghosh Dastidar, Michael Granitzer, Wissam
Siblini
- Abstract要約: 我々は,「未来」情報を用いた後方不正検出という新たなパラダイムを提案する。
3000万以上のトランザクションを持つ実世界のデータセットでは、通常のLSTMよりも高いパフォーマンスを実現している。
この新たなパラダイムにおける今後の作業は、不正なカードの検出に重大な影響を与えるだろうと考えています。
- 参考スコア（独自算出の注目度）: 3.2465762663605373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fraud detection systems (FDS) mainly perform two tasks: (i) real-time
detection while the payment is being processed and (ii) posterior detection to
block the card retrospectively and avoid further frauds. Since human
verification is often necessary and the payment processing time is limited, the
second task manages the largest volume of transactions. In the literature,
fraud detection challenges and algorithms performance are widely studied but
the very formulation of the problem is never disrupted: it aims at predicting
if a transaction is fraudulent based on its characteristics and the past
transactions of the cardholder. Yet, in posterior detection, verification often
takes days, so new payments on the card become available before a decision is
taken. This is our motivation to propose a new paradigm: posterior fraud
detection with "future" information. We start by providing evidence of the
on-time availability of subsequent transactions, usable as extra context to
improve detection. We then design a Bidirectional LSTM to make use of these
transactions. On a real-world dataset with over 30 million transactions, it
achieves higher performance than a regular LSTM, which is the state-of-the-art
classifier for fraud detection that only uses the past context. We also
introduce new metrics to show that the proposal catches more frauds, more
compromised cards, and based on their earliest frauds. We believe that future
works on this new paradigm will have a significant impact on the detection of
compromised cards.
- Abstract（参考訳）: FDS(Fraud Detection System)は主に2つのタスクを実行する。
(i)支払い処理中のリアルタイム検出
(ii)カードの後方検出を遡及的に阻止し、さらなる不正行為を避けること。
人間による検証がしばしば必要であり、支払い処理時間に制限があるため、第2のタスクは最大のトランザクション量を管理する。
文献では、不正検出問題やアルゴリズムの性能について広く研究されているが、その特徴や過去のカード所有者の取引に基づいて、取引が不正であるかどうかを予測することを目的としている。
しかし、後続検出では、検証に数日を要することが多いため、決定を下す前に新しい支払いが利用可能になる。
これは,「未来」情報を用いた後方不正検出という新たなパラダイムを提案する動機である。
まず、検出を改善するために追加のコンテキストとして使用できる、後続のトランザクションのオンタイム可用性の証拠を提供することから始めます。
次に、これらのトランザクションを利用するために双方向LSTMを設計する。
3000万以上のトランザクションを持つ実世界のデータセットでは、過去のコンテキストのみを使用する不正検出のための最先端の分類器である通常のLSTMよりも高いパフォーマンスを達成する。
我々はまた、この提案がより多くの詐欺、より侵害されたカードをキャッチし、最も初期の詐欺に基づいていることを示す新しい指標も導入した。
この新たなパラダイムにおける今後の作業は、不正なカードの検出に大きな影響を与えるだろうと考えています。
関連論文リスト
- Deep Semi-Supervised Anomaly Detection for Finding Fraud in the Futures
Market [0.0]
本稿では,高頻度金融データにおける不正検出のための深部半教師付き異常検出技術であるDeep SADの有効性を評価することを目的とする。
我々は、モンローのTMX交換所からの独占的なリミットオーダーの帳簿データと、偽造の小さなラベル付き事例を用いて、Deep SADを評価する。
本研究では,少数のラベル付きデータを教師なし異常検出フレームワークに組み込むことで,その精度を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2023-08-31T19:07:50Z) - 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) - 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) - Credit Card Fraud Detection Using Enhanced Random Forest Classifier for
Imbalanced Data [0.8223798883838329]
本稿では,この問題を解決するためにランダムフォレスト(RF)アルゴリズムを実装した。
本研究ではクレジットカード取引のデータセットを用いた。
論文 参考訳（メタデータ） (2023-03-11T22:59:37Z) - Challenges and Complexities in Machine Learning based Credit Card Fraud
Detection [0.0]
取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。
機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。
しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
論文 参考訳（メタデータ） (2022-08-20T07:53:51Z) - 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) - Credit Card Fraud Detection using Machine Learning: A Study [2.5829043503611318]
世界は急速にデジタル化に向かっており、貨幣取引はキャッシュレスになりつつある。
非詐欺行為から不正取引を分析し、検出する必要がある。
本稿では,クレジットカード不正を検出するための各種手法について概説する。
論文 参考訳（メタデータ） (2021-08-23T08:30:24Z) - Credit card fraud detection using machine learning: A survey [0.5134435281973136]
本稿では,データ駆動型クレジットカード不正検出機能と,その複雑な課題に対処するための機械学習手法について検討する。
特に、まず一般的なクレジットカード検出タスクを特徴付けます。データセットとその属性、メトリックの選択と、そのような不均衡なデータセットを扱ういくつかの方法です。
論文 参考訳（メタデータ） (2020-10-13T15:35:32Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z) - SpotTheFake: An Initial Report on a New CNN-Enhanced Platform for
Counterfeit Goods Detection [68.8204255655161]
偽物取引は現在では世界貿易の3.3%以上を占めている。
本稿では,新しい偽物検出プラットフォームの設計と初期開発について述べる。
論文 参考訳（メタデータ） (2020-02-17T01:51:22Z)
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。