論文の概要: FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning
- arxiv url: http://arxiv.org/abs/2312.01200v1
- Date: Sat, 2 Dec 2023 18:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 13:15:35.020153
- Title: FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning
- Title（参考訳）: FRAUDability: 敵対的機械学習を用いたファイナンシャル・フレーダに対するユーザの感受性の推定
- Authors: Chen Doytshman, Satoru Momiyama, Inderjeet Singh, Yuval Elovici, Asaf Shabtai,
- Abstract要約: 本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。
提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。
また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
- 参考スコア（独自算出の注目度）: 24.817067681746117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, financial fraud detection systems have become very efficient at detecting fraud, which is a major threat faced by e-commerce platforms. Such systems often include machine learning-based algorithms aimed at detecting and reporting fraudulent activity. In this paper, we examine the application of adversarial learning based ranking techniques in the fraud detection domain and propose FRAUDability, a method for the estimation of a financial fraud detection system's performance for every user. We are motivated by the assumption that "not all users are created equal" -- while some users are well protected by fraud detection algorithms, others tend to pose a challenge to such systems. The proposed method produces scores, namely "fraudability scores," which are numerical estimations of a fraud detection system's ability to detect financial fraud for a specific user, given his/her unique activity in the financial system. Our fraudability scores enable those tasked with defending users in a financial platform to focus their attention and resources on users with high fraudability scores to better protect them. We validate our method using a real e-commerce platform's dataset and demonstrate the application of fraudability scores from the attacker's perspective, on the platform, and more specifically, on the fraud detection systems used by the e-commerce enterprise. We show that the scores can also help attackers increase their financial profit by 54%, by engaging solely with users with high fraudability scores, avoiding those users whose spending habits enable more accurate fraud detection.
- Abstract（参考訳）: 近年,金融詐欺検出システムは,電子商取引プラットフォームが直面する大きな脅威である不正検出において,極めて効率的になっている。
このようなシステムには、不正行為を検出し報告することを目的とした機械学習ベースのアルゴリズムが含まれることが多い。
本稿では, 不正検出領域における逆学習に基づくランキング手法の適用について検討し, 不正検出システムの性能評価手法であるFRAUDabilityを提案する。
私たちは、“すべてのユーザが平等に作られているわけではない”という前提で動機付けられています -- 不正検出アルゴリズムによって十分に保護されているユーザもいれば、そのようなシステムに挑戦するユーザもいます。
提案手法は,金融システムにおける彼のユニークな活動から,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。
当社の不正性スコアは、金融プラットフォームのユーザーを守るために、高い不正性スコアを持つユーザーに注意とリソースを集中させることで、ユーザーをよりよく保護することができる。
実際のEコマースプラットフォームのデータセットを用いて本手法を検証し,攻撃者の視点,プラットフォーム,より具体的には,eコマース企業が使用する不正検出システムに不正性スコアを適用した。
また,攻撃者の金銭的利益を54%向上させるためには,高い不正性スコアを持つユーザのみに対処し,より正確な不正検出を可能にするユーザを避けることが必要である。
関連論文リスト
- Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。
乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。
我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文 参考訳（メタデータ） (2023-10-07T10:20:26Z) - 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) - A novel approach to increase scalability while training machine learning
algorithms using Bfloat 16 in credit card fraud detection [0.0]
本研究は、銀行のクレジットカード不正検出システムにおける機械学習のスケーラビリティに焦点を当てる。
提案手法で利用可能な既存の機械学習アルゴリズムと手法を比較した。
目標は、機械学習アルゴリズムのトレーニングにビットが少ないため、よりスケーラブルなシステムが実現され、時間が短縮され、実装にコストがかかることを証明することだ。
論文 参考訳（メタデータ） (2022-06-24T01:22:17Z) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳（メタデータ） (2021-12-08T11:30:53Z) - Feature-Level Fusion of Super-App and Telecommunication Alternative Data
Sources for Credit Card Fraud Detection [106.33204064461802]
クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。
クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
論文 参考訳（メタデータ） (2021-11-05T19:10:35Z) - Detecting and Quantifying Malicious Activity with Simulation-based
Inference [61.9008166652035]
本稿では,レコメンデーションアルゴリズムと相互作用する正規および悪意のあるユーザのモデルを用いて,悪意のあるユーザ識別実験を行う。
本稿では,ユーザやグループの影響を定量化するためのシミュレーションに基づく新しい尺度を提案する。
論文 参考訳（メタデータ） (2021-10-06T03:39:24Z) - 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) - Deep Learning Methods for Credit Card Fraud Detection [3.069837038535869]
本稿では,クレジットカード詐欺検出問題の深層学習手法について検討する。
パフォーマンスを3つの金融データセット上のさまざまな機械学習アルゴリズムと比較する。
実験の結果,従来の機械学習モデルに対する深層学習手法の性能が向上した。
論文 参考訳（メタデータ） (2020-12-07T14:48:58Z) - Deep Q-Network-based Adaptive Alert Threshold Selection Policy for
Payment Fraud Systems in Retail Banking [9.13755431537592]
本稿では,不正警報システムのためのしきい値選択ポリシーを提案する。
提案手法は、しきい値選択を逐次決定問題として定式化し、ディープQネットワークに基づく強化学習を用いる。
実験結果から, この適応手法は, 不正な損失を低減し, 警報システムの動作効率を向上させることにより, 現在の静的解よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-10-21T15:10:57Z) - 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) - 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。