論文の概要: Combating Financial Crimes with Unsupervised Learning Techniques:
Clustering and Dimensionality Reduction for Anti-Money Laundering
- arxiv url: http://arxiv.org/abs/2403.00777v1
- Date: Wed, 14 Feb 2024 17:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 00:22:51.504741
- Title: Combating Financial Crimes with Unsupervised Learning Techniques:
Clustering and Dimensionality Reduction for Anti-Money Laundering
- Title（参考訳）: 教師なし学習手法による金融犯罪の共謀:反モニー洗浄のためのクラスタリングと次元化
- Authors: Ahmed N. Bakry, Almohammady S. Alsharkawy, Mohamed S. Farag, and Kamal
R. Raslan
- Abstract要約: AML(Anti-Money Laundering)は、金融システムの整合性を確保するための重要なタスクである。
教師なし学習、特にクラスタリングは、このタスクにとって有望なソリューションです。
本稿では,クラスタリング手法の集約的階層クラスタリングと4次元縮小手法の併用の有効性について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Anti-Money Laundering (AML) is a crucial task in ensuring the integrity of
financial systems. One keychallenge in AML is identifying high-risk groups
based on their behavior. Unsupervised learning, particularly clustering, is a
promising solution for this task. However, the use of hundreds of features
todescribe behavior results in a highdimensional dataset that negatively
impacts clustering performance.In this paper, we investigate the effectiveness
of combining clustering method agglomerative hierarchicalclustering with four
dimensionality reduction techniques -Independent Component Analysis (ICA),
andKernel Principal Component Analysis (KPCA), Singular Value Decomposition
(SVD), Locality Preserving Projections (LPP)- to overcome the issue of
high-dimensionality in AML data and improve clusteringresults. This study aims
to provide insights into the most effective way of reducing the dimensionality
ofAML data and enhance the accuracy of clustering-based AML systems. The
experimental results demonstrate that KPCA outperforms other dimension
reduction techniques when combined with agglomerativehierarchical clustering.
This superiority is observed in the majority of situations, as confirmed by
threedistinct validation indices.
- Abstract（参考訳）: AML(Anti-Money Laundering)は、金融システムの整合性を確保するための重要なタスクである。
AMLの1つの重要な特徴は、その振る舞いに基づいてハイリスクグループを特定することである。
教師なし学習、特にクラスタリングは、このタスクにとって有望なソリューションです。
However, the use of hundreds of features todescribe behavior results in a highdimensional dataset that negatively impacts clustering performance.In this paper, we investigate the effectiveness of combining clustering method agglomerative hierarchicalclustering with four dimensionality reduction techniques -Independent Component Analysis (ICA), andKernel Principal Component Analysis (KPCA), Singular Value Decomposition (SVD), Locality Preserving Projections (LPP)- to overcome the issue of high-dimensionality in AML data and improve clusteringresults.
本研究では,AMLデータの次元性を最も効果的に削減し,クラスタリングに基づくAMLシステムの精度を向上させることを目的とした。
実験の結果,KPCAは凝集階層クラスタリングと組み合わせることで,他の次元低減技術よりも優れていた。
この優位性は多くの状況において観察され、3つの異なる検証指標によって確認される。
関連論文リスト
- Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:59:51Z) - A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。
埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。
ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-07-03T13:44:20Z) - Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。
提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文 参考訳（メタデータ） (2024-04-10T15:51:46Z) - Robust and Automatic Data Clustering: Dirichlet Process meets
Median-of-Means [18.3248037914529]
本稿では,モデルに基づく手法とセントロイド方式の原理を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。
クラスタリング誤差の上限に関する統計的保証は,既存のクラスタリングアルゴリズムよりも提案手法の利点を示唆している。
論文 参考訳（メタデータ） (2023-11-26T19:01:15Z) - Dynamic Clustering and Cluster Contrastive Learning for Unsupervised
Person Re-identification [29.167783500369442]
教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。
本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。
提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
論文 参考訳（メタデータ） (2023-03-13T01:56:53Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Cluster Analysis with Deep Embeddings and Contrastive Learning [0.0]
本研究は,深層埋め込みから画像クラスタリングを行うための新しいフレームワークを提案する。
提案手法では,クラスタセンターの表現をエンドツーエンドで学習し,予測する。
我々のフレームワークは広く受け入れられているクラスタリング手法と同等に動作し、CIFAR-10データセット上で最先端のコントラスト学習手法より優れています。
論文 参考訳（メタデータ） (2021-09-26T22:18:15Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z)
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。