論文の概要: Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2502.00201v1
• Date: Fri, 31 Jan 2025 22:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:30.764271
• Title: Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review
• Title（参考訳）: ディープラーニングによるファイナンシャル・フラッド検出の経年的展開:体系的文献レビュー
• Authors: Yisong Chen, Chuqing Zhao, Yixin Xu, Chuanhao Nie,
• Abstract要約: 本稿では,金融不正検出のためのディープラーニング(DL)技術の進歩を体系的にレビューする。 このレビューでは、クレジットカード取引、保険請求、財務諸表監査など、さまざまな分野にわたるディープラーニングモデルの有効性を強調している。 この研究は、不均衡データセット、モデル解釈可能性、倫理的考察などの課題を強調している。
• 参考スコア（独自算出の注目度）: 3.57129631984007
• License:
• Abstract: This paper systematically reviews advancements in deep learning (DL) techniques for financial fraud detection, a critical issue in the financial sector. Using the Kitchenham systematic literature review approach, 57 studies published between 2019 and 2024 were analyzed. The review highlights the effectiveness of various deep learning models such as Convolutional Neural Networks, Long Short-Term Memory, and transformers across domains such as credit card transactions, insurance claims, and financial statement audits. Performance metrics such as precision, recall, F1-score, and AUC-ROC were evaluated. Key themes explored include the impact of data privacy frameworks and advancements in feature engineering and data preprocessing. The study emphasizes challenges such as imbalanced datasets, model interpretability, and ethical considerations, alongside opportunities for automation and privacy-preserving techniques such as blockchain integration and Principal Component Analysis. By examining trends over the past five years, this review identifies critical gaps and promising directions for advancing DL applications in financial fraud detection, offering actionable insights for researchers and practitioners.
• Abstract（参考訳）: 本稿では,金融セクターにおいて重要な課題である金融詐欺検出のための深層学習(DL)技術の進歩を体系的にレビューする。 キッチェンハムの体系的な文献レビューアプローチを用いて、2019年から2024年の間に出版された57の論文を分析した。 このレビューでは、畳み込みニューラルネットワーク(Convolutional Neural Networks)や長期記憶(Long Short-Term Memory)といったさまざまなディープラーニングモデルの有効性、クレジットカード取引、保険請求書、ファイナンシャルステートメント監査といったドメイン間のトランスフォーマーの有効性を強調している。 精度,リコール,F1スコア,AUC-ROCなどの性能指標を評価した。 主なテーマは、データプライバシフレームワークの影響と、機能エンジニアリングとデータ前処理の進歩である。 この研究は、ブロックチェーン統合やプリンシパルコンポーネント分析といった自動化とプライバシ保護のテクニックの機会に加えて、不均衡なデータセット、モデル解釈可能性、倫理的考慮といった課題を強調している。 過去5年間の傾向を調べた結果、金融不正検出におけるDL適用の重要ギャップと有望な方向性を明らかにし、研究者や実践者に実用的な洞察を提供する。

関連論文リスト

• Machine Learning for Missing Value Imputation [0.0]
  本論文の主な目的は、ミス・バリュー・インプットにおける最先端の機械学習アプリケーションの解析と同様に、包括的で厳密なレビューを行うことである。 2014年から2023年にかけて発行された100以上の記事が、その方法や発見を考慮して批判的にレビューされている。 最新の文献は,MVI法の動向とその評価を精査するために検討されている。
  論文  参考訳（メタデータ） (2024-10-10T18:56:49Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• 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)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• AI in Supply Chain Risk Assessment: A Systematic Literature Review and Bibliometric Analysis [0.0]
  サプライチェーンリスクアセスメント(SCRA)は、人工知能(AI)と機械学習(ML)技術を統合することで、大きな進化を目撃している。 以前のレビューでは確立した方法論を概説しているが、新たなAI/ML技術を見落としている。 本稿では,総合的な文献分析と体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-12-12T17:47:51Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Resilience of Deep Learning applications: a systematic literature review of analysis and hardening techniques [3.265458968159693]
  このレビューは、2019年1月から2024年3月までに発行された220の科学論文に基づいている。 著者らは、研究の類似点と特異点を解釈し、強調するために分類フレームワークを採用している。
  論文  参考訳（メタデータ） (2023-09-27T19:22:19Z)
• Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
  我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。 我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。 我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
  論文  参考訳（メタデータ） (2022-11-07T16:19:42Z)
• A Review of Topological Data Analysis for Cybersecurity [1.0878040851638]
  トポロジカルデータ解析(TDA)は、代数的トポロジの技法を用いて、データの高レベル構造を研究する。 我々は、サイバーセキュリティデータサイエンスを改善する強力な可能性を持つ、有望な新しい領域について、研究者に強調したい。
  論文  参考訳（メタデータ） (2022-02-16T13:03:52Z)
• Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
  社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。 多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。 近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
  論文  参考訳（メタデータ） (2021-04-09T01:46:34Z)

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。