論文の概要: Advanced Financial Fraud Detection Using GNN-CL Model

• arxiv url: http://arxiv.org/abs/2407.06529v1
• Date: Tue, 9 Jul 2024 03:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 19:25:27.807894
• Title: Advanced Financial Fraud Detection Using GNN-CL Model
• Title（参考訳）: GNN-CLモデルを用いた高度なファイナンシャルフラッド検出
• Authors: Yu Cheng, Junjie Guo, Shiqing Long, You Wu, Mengfang Sun, Rong Zhang,
• Abstract要約: 本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
• 参考スコア（独自算出の注目度）: 13.5240775562349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The innovative GNN-CL model proposed in this paper marks a breakthrough in the field of financial fraud detection by synergistically combining the advantages of graph neural networks (gnn), convolutional neural networks (cnn) and long short-term memory (LSTM) networks. This convergence enables multifaceted analysis of complex transaction patterns, improving detection accuracy and resilience against complex fraudulent activities. A key novelty of this paper is the use of multilayer perceptrons (MLPS) to estimate node similarity, effectively filtering out neighborhood noise that can lead to false positives. This intelligent purification mechanism ensures that only the most relevant information is considered, thereby improving the model's understanding of the network structure. Feature weakening often plagues graph-based models due to the dilution of key signals. In order to further address the challenge of feature weakening, GNN-CL adopts reinforcement learning strategies. By dynamically adjusting the weights assigned to central nodes, it reinforces the importance of these influential entities to retain important clues of fraud even in less informative data. Experimental evaluations on Yelp datasets show that the results highlight the superior performance of GNN-CL compared to existing methods.
• Abstract（参考訳）: 本稿では、グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を相乗的に組み合わせることで、金融不正検出の分野における画期的なGNN-CLモデルを提案する。 この収束により、複雑なトランザクションパターンの多面的解析が可能となり、検出精度と複雑な不正行為に対するレジリエンスが改善される。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノード類似性を推定し,偽陽性につながる近傍雑音を効果的に除去する手法を提案する。 このインテリジェントな浄化機構により、最も関連性の高い情報のみが考慮されることが保証され、それによってモデルによるネットワーク構造に対する理解が向上する。 特徴の弱化は、鍵信号の希釈によりグラフベースのモデルに悩まされることが多い。 機能弱化の課題にさらに対処するため、GNN-CLは強化学習戦略を採用している。 中央ノードに割り当てられた重みを動的に調整することで、情報の少ないデータでも重要な詐欺の手がかりを保持するために、これらの影響力のあるエンティティの重要性を補強する。 Yelpデータセットの実験的評価は、既存の手法と比較して、GNN-CLの優れたパフォーマンスを強調していることを示している。

関連論文リスト

• Causal GNNs: A GNN-Driven Instrumental Variable Approach for Causal Inference in Networks [0.0]
  CgNNは、隠れた共同設立者のバイアスを緩和し、因果効果の推定を改善するための新しいアプローチである。 以上の結果から,CgNNは隠れた共同創設者バイアスを効果的に軽減し,複雑なネットワークデータにおける因果推論のための堅牢なGNN駆動IVフレームワークを提供することが示された。
  論文  参考訳（メタデータ） (2024-09-13T05:39:00Z)
• Physical Rule-Guided Convolutional Neural Network [0.0]
  物理誘導ニューラルネットワーク(PGNN)は、科学原理と現実世界の知識を統合することで限界に対処する。 本稿では,動的,トレーニング可能,自動化されたLCM生成ルールをカスタムレイヤとして組み込んだ物理誘導型CNN(PGCNN)アーキテクチャを提案する。 PGCNNは複数のデータセットで評価され、ベースラインCNNモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-03T17:32:35Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Attentional Graph Neural Networks for Robust Massive Network Localization [20.416879207269446]
  グラフニューラルネットワーク(GNN)は、機械学習における分類タスクの顕著なツールとして登場した。 本稿では,GNNとアテンション機構を統合し,ネットワークローカライゼーションという難解な非線形回帰問題に対処する。 我々はまず,厳密な非視線(NLOS)条件下でも例外的な精度を示すグラフ畳み込みネットワーク(GCN)に基づく新しいネットワークローカライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T15:05:13Z)
• Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• How effective are Graph Neural Networks in Fraud Detection for Network Data? [0.0]
  グラフベースニューラルネットワーク(GNN)は、ノード(およびグラフ)の表現を学習するために作成された最近のモデルである。 金融詐欺は社会経済的関連性や、正の(詐欺)と負の(定期的な)取引(英語版)の間の極端な不均衡など、特定の課題を提示することで際立っている。 この2つの課題を考慮し,既存のネットワーク不正検出手法の評価実験を行った。
  論文  参考訳（メタデータ） (2021-05-30T15:17:13Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)

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。