論文の概要: Applications of Machine Learning in Detecting Afghan Fake Banknotes

• arxiv url: http://arxiv.org/abs/2305.14745v1
• Date: Wed, 24 May 2023 05:39:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 19:32:19.403099
• Title: Applications of Machine Learning in Detecting Afghan Fake Banknotes
• Title（参考訳）: アフガン・フェイク紙幣検出における機械学習の応用
• Authors: Hamida Ashna, Ziaullah Momand
• Abstract要約: アフガニスタンにおける偽通貨の流行は大きな課題を引き起こし、経済に有害な影響を及ぼす。 本稿では,特定のセキュリティ特徴を解析して偽のアフガン紙幣を識別する画像処理手法を提案する。 ランダムフォレストアルゴリズムは偽のアフガン紙幣を99%の精度で検出した。
• 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: Fake currency, unauthorized imitation money lacking government approval, constitutes a form of fraud. Particularly in Afghanistan, the prevalence of fake currency poses significant challenges and detrimentally impacts the economy. While banks and commercial establishments employ authentication machines, the public lacks access to such systems, necessitating a program that can detect counterfeit banknotes accessible to all. This paper introduces a method using image processing to identify counterfeit Afghan banknotes by analyzing specific security features. Extracting first and second order statistical features from input images, the WEKA machine learning tool was employed to construct models and perform classification with Random Forest, PART, and Na\"ive Bayes algorithms. The Random Forest algorithm achieved exceptional accuracy of 99% in detecting fake Afghan banknotes, indicating the efficacy of the proposed method as a solution for identifying counterfeit currency.
• Abstract（参考訳）: 政府の承認を欠いた不正な模倣貨幣である偽通貨は、詐欺の一形態である。 特にアフガニスタンでは、偽通貨の流行が大きな課題を引き起こし、経済に有害な影響を及ぼす。 銀行や商業施設は認証装置を採用しているが、一般市民はそのようなシステムにアクセスできないため、偽造紙幣を検出できるプログラムを必要としている。 本稿では,特定のセキュリティ特徴を解析して偽のアフガン紙幣を識別する画像処理手法を提案する。 入力画像から第1および第2次特徴を抽出したweka機械学習ツールは,ランダムフォレスト,part,na\"ive bayesアルゴリズムを用いてモデルを構築し,分類を行う。 ランダムフォレストアルゴリズムは偽アフガン紙幣の検出において99%の精度を達成し,提案手法が偽造通貨の識別に有効であることを示した。

関連論文リスト

• Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
  本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。 提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
  論文  参考訳（メタデータ） (2024-10-10T17:05:27Z)
• Real-time Yemeni Currency Detection [0.49109372384514843]
  銀行券の認識は、視覚障害者が直面する大きな問題である。 本稿では,視覚障害者のためのリアルタイムイエメン通貨検出システムを提案する。
  論文  参考訳（メタデータ） (2024-06-18T19:57:15Z)
• SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning [19.774363067972725]
  グラフベースの不正検出は、スパムレビューや悪意のあるアカウント検出など、現代の業界シナリオで広く適用されている。 これまでの研究は、GNNExplainerのようなポストホックな説明手法を使って、特定のインスタンスの説明を作成しようとしてきた。 グラフに基づく自己説明可能な不正検出フレームワークSEFraudを提案する。
  論文  参考訳（メタデータ） (2024-06-17T10:18:53Z)
• FakeBench: Probing Explainable Fake Image Detection via Large Multimodal Models [62.66610648697744]
  我々は人間の知覚に関する生成的視覚的偽造の分類を導入し、人間の自然言語における偽造記述を収集する。 FakeBenchは、検出、推論、解釈、きめ細かい偽造分析の4つの評価基準でLMMを調べている。 本研究は,偽画像検出領域における透明性へのパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2024-04-20T07:28:55Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• 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)
• Catch Me If You Can: Semi-supervised Graph Learning for Spotting Money Laundering [0.4159343412286401]
  マネーロンダリング(英: Money laundering)とは、犯罪者が違法な資金を追跡不可能な場所に移すために金融サービスを利用するプロセスである。 反マネーロンダリング(AML)を施行するためには、これらの活動を正確かつ確実に特定することが極めて重要である。 本稿では,金融取引のグラフに対する半教師付きグラフ学習手法を用いて,マネーロンダリングに関連するノードを特定する。
  論文  参考訳（メタデータ） (2023-02-23T09:34:19Z)
• 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)
• 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)
• Automatic Counting and Identification of Train Wagons Based on Computer Vision and Deep Learning [70.84106972725917]
  提案手法は費用対効果が高く,RFIDに基づく解を容易に置き換えることができる。 このシステムは、識別コードに損傷があるため、列車のワゴンの一部を自動的に拒絶することができる。
  論文  参考訳（メタデータ） (2020-10-30T14:56:54Z)
• Adversarial Attacks on Binary Image Recognition Systems [78.78811131936622]
  本研究では,二分法(黒と白)画像分類モデルに対する敵対攻撃について検討する。 カラー画像とグレースケール画像とは対照的に、バイナリ画像に対する攻撃の探索空間は極めて制限されている。 バイナリイメージの分類を騙すために設計された,SCARと呼ばれる新しい攻撃アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-22T14:57:42Z)

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。