論文の概要: Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems
- arxiv url: http://arxiv.org/abs/2412.07027v1
- Date: Thu, 21 Nov 2024 03:55:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-15 08:59:00.178998
- Title: Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems
- Title(参考訳): 反モニー洗浄システムにおけるクロスボーダートランザクション異常検出のための深層学習
- Authors: Qian Yu, Zhen Xu, Zong Ke,
- Abstract要約: 本稿では,クロスボーダーAMLシステムにおける教師なし学習モデルの応用について検討する。
基本畳み込みニューラルネットワーク(CNN)からハイブリッドCNNGRUアーキテクチャまでの5つのディープラーニングモデルが設計およびテストされた。
その結果、モデル複雑性が増加するにつれて、システムの検出精度と応答性も向上することが示された。
- 参考スコア(独自算出の注目度): 14.439233916969748
- License:
- Abstract: In the context of globalization and the rapid expansion of the digital economy, anti-money laundering (AML) has become a crucial aspect of financial oversight, particularly in cross-border transactions. The rising complexity and scale of international financial flows necessitate more intelligent and adaptive AML systems to combat increasingly sophisticated money laundering techniques. This paper explores the application of unsupervised learning models in cross-border AML systems, focusing on rule optimization through contrastive learning techniques. Five deep learning models, ranging from basic convolutional neural networks (CNNs) to hybrid CNNGRU architectures, were designed and tested to assess their performance in detecting abnormal transactions. The results demonstrate that as model complexity increases, so does the system's detection accuracy and responsiveness. In particular, the self-developed hybrid Convolutional-Recurrent Neural Integration Model (CRNIM) model showed superior performance in terms of accuracy and area under the receiver operating characteristic curve (AUROC). These findings highlight the potential of unsupervised learning models to significantly improve the intelligence, flexibility, and real-time capabilities of AML systems. By optimizing detection rules and enhancing adaptability to emerging money laundering schemes, this research provides both theoretical and practical contributions to the advancement of AML technologies, which are essential for safeguarding the global financial system against illicit activities.
- Abstract(参考訳): グローバル化とデジタル経済の急速な拡大という文脈では、特に国境を越えた取引において、対マネーロンダリング(AML)が金融監督の重要な側面となっている。
国際金融フローの複雑さと規模の増加は、よりインテリジェントで適応的なAMLシステムを必要とし、より洗練されたマネーロンダリング技術と戦う必要がある。
本稿では,相互境界AMLシステムにおける教師なし学習モデルの適用について検討し,コントラスト学習手法によるルール最適化に着目した。
基本的な畳み込みニューラルネットワーク(CNN)からハイブリッドCNNGRUアーキテクチャまでの5つのディープラーニングモデルが設計され、異常なトランザクションを検出するパフォーマンスを評価するためにテストされた。
その結果、モデル複雑性が増加するにつれて、システムの検出精度と応答性も向上することが示された。
特に、自己発達型畳み込み型ニューラル統合モデル(CRNIM)は、受信動作特性曲線(AUROC)の精度と面積において優れた性能を示した。
これらの知見は、AMLシステムのインテリジェンス、柔軟性、リアルタイム能力を大幅に向上させる教師なし学習モデルの可能性を浮き彫りにした。
本研究は、検出規則を最適化し、新たなマネーロンダリング方式への適応性を高めることにより、不正行為に対する世界金融システムの保護に不可欠であるAML技術の進歩に理論的および実践的な貢献を両立させる。
関連論文リスト
- Measuring Fairness in Financial Transaction Machine Learning Models [6.68190250415387]
Mastercardは、カード使用の最適化と不正行為防止を目的とした機械学習モデルの開発とデプロイを行う。
これらのモデルは、クロスボーダートランザクションや業界固有の支出を含む、集計および匿名化されたカード使用パターンを使用する。
Mastercardは、そのData and Tech Responsibility Principlesに基づいて、有効性、公正性、透明性のために構築および購入されたAIを評価するAIガバナンスプログラムを確立した。
論文 参考訳(メタデータ) (2025-01-18T14:45:47Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳(メタデータ) (2024-12-21T10:18:55Z) - FedMSE: Federated learning for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。
Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。
このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文 参考訳(メタデータ) (2024-10-18T02:23:57Z) - An Adaptive End-to-End IoT Security Framework Using Explainable AI and LLMs [1.9662978733004601]
本稿では,機械学習(ML),説明可能なAI(XAI),大規模言語モデル(LLM)を活用した,リアルタイムIoT攻撃検出および応答のための革新的なフレームワークを提案する。
私たちのエンドツーエンドフレームワークは、モデル開発からデプロイメントへのシームレスな移行を促進するだけでなく、既存の研究でしばしば欠落している現実世界のアプリケーション機能も表しています。
論文 参考訳(メタデータ) (2024-09-20T03:09:23Z) - Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
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。
論文 参考訳(メタデータ) (2024-07-09T03:59:06Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳(メタデータ) (2024-06-05T20:19:09Z) - Enhancing Credit Card Fraud Detection A Neural Network and SMOTE Integrated Approach [4.341096233663623]
本研究では、ニューラルネットワーク(NN)とSMOTE(Synthet ic Minority Over-Sampling Technique)を組み合わせて検出性能を向上させる革新的な手法を提案する。
この研究は、クレジットカード取引データに固有の不均衡に対処し、堅牢で正確な不正検出のための技術的進歩に焦点を当てた。
論文 参考訳(メタデータ) (2024-02-27T02:26:04Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳(メタデータ) (2023-04-19T16:39:44Z) - Provable Generalization of Overparameterized Meta-learning Trained with
SGD [62.892930625034374]
我々は、広く使われているメタラーニング手法、モデル非依存メタラーニング(MAML)の一般化について研究する。
我々は、MAMLの過大なリスクに対して、上界と下界の両方を提供し、SGDダイナミクスがこれらの一般化境界にどのように影響するかをキャプチャする。
理論的知見は実験によってさらに検証される。
論文 参考訳(メタデータ) (2022-06-18T07:22:57Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z)
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。