論文の概要: Corporate Fraud Detection in Rich-yet-Noisy Financial Graph
- arxiv url: http://arxiv.org/abs/2502.19305v1
- Date: Wed, 26 Feb 2025 17:05:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:58:25.039732
- Title: Corporate Fraud Detection in Rich-yet-Noisy Financial Graph
- Title（参考訳）: リッチ・イット・ノイズ・ファイナンシャルグラフにおけるコーポレート・フラッド検出
- Authors: Shiqi Wang, Zhibo Zhang, Libing Fang, Cam-Tu Nguyen, Wenzhon Li,
- Abstract要約: 企業不正検出は、不正な財務声明や不正なインサイダー取引などの不正行為を行う企業を自動的に認識することを目的としている。
従来の学習ベースの手法では,企業ネットワーク内でのリッチなインタラクションを効果的に統合できない。
中国における18年間の財務記録を分析し、3つのグラフデータセットと不正ラベルを作成します。
- 参考スコア（独自算出の注目度）: 10.493486554714885
- License:
- Abstract: Corporate fraud detection aims to automatically recognize companies that conduct wrongful activities such as fraudulent financial statements or illegal insider trading. Previous learning-based methods fail to effectively integrate rich interactions in the company network. To close this gap, we collect 18-year financial records in China to form three graph datasets with fraud labels. We analyze the characteristics of the financial graphs, highlighting two pronounced issues: (1) information overload: the dominance of (noisy) non-company nodes over company nodes hinders the message-passing process in Graph Convolution Networks (GCN); and (2) hidden fraud: there exists a large percentage of possible undetected violations in the collected data. The hidden fraud problem will introduce noisy labels in the training dataset and compromise fraud detection results. To handle such challenges, we propose a novel graph-based method, namely, Knowledge-enhanced GCN with Robust Two-stage Learning (${\rm KeGCN}_{R}$), which leverages Knowledge Graph Embeddings to mitigate the information overload and effectively learns rich representations. The proposed model adopts a two-stage learning method to enhance robustness against hidden frauds. Extensive experimental results not only confirm the importance of interactions but also show the superiority of ${\rm KeGCN}_{R}$ over a number of strong baselines in terms of fraud detection effectiveness and robustness.
- Abstract（参考訳）: 企業不正検出は、不正な財務声明や不正なインサイダー取引などの不正行為を行う企業を自動的に認識することを目的としている。
従来の学習ベースの手法では,企業ネットワーク内でのリッチなインタラクションを効果的に統合できない。
このギャップを埋めるために、中国における18年間の財務記録を収集し、3つのグラフデータセットと不正ラベルを作成しました。
1)情報過負荷:企業ノード上の(ノイズの多い)非競合ノードの優位性は、グラフ畳み込みネットワーク(GCN)におけるメッセージ通過プロセスを妨げる。
隠れた詐欺問題は、トレーニングデータセットにノイズラベルを導入し、不正検出結果を妥協する。
このような課題に対処するために、知識グラフ埋め込みを利用して情報過負荷を軽減し、リッチな表現を効果的に学習する、知識強化GCNとRobost Two-stage Learning({\rm KeGCN}_{R}$)という新しいグラフベースの手法を提案する。
提案モデルでは,隠れ詐欺に対する堅牢性を高めるための2段階学習手法を採用している。
大規模な実験結果から, 相互作用の重要性を裏付けるだけでなく, 不正検出の有効性やロバスト性の観点からも, ${\rm KeGCN}_{R}$の優越性も示された。
関連論文リスト
- A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳（メタデータ） (2025-02-18T22:07:36Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
機械学習モデルはラベルのフリップ(ラベルのフリップ)に弱い。
サンプルと集合証明書の両方を抽出し,正確な認証手法を提案する。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な証明書を提示しました。
論文 参考訳（メタデータ） (2024-11-30T17:05:12Z) - Financial Fraud Detection using Jump-Attentive Graph Neural Networks [0.0]
金融サービス部門の大部分は、トランザクションデータをモデル化するために、XGBoost、Random Forest、ニューラルネットワークなど、さまざまな機械学習アルゴリズムを使用している。
非類似ノードからのカモフラージュ検出と重要な特徴情報の保存に有効な効率的な近傍サンプリング手法を用いた新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-07T05:12:51Z) - Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。
提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
論文 参考訳（メタデータ） (2024-10-10T17:05:27Z) - 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) - Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph
with Hierarchical Graph Neural Networks [62.94317686301643]
企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。
従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。
比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
論文 参考訳（メタデータ） (2023-01-31T09:17:13Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - 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) - Identifying Linked Fraudulent Activities Using GraphConvolution Network [0.0]
グラフ畳み込みネットワーク(GCN)を用いたリンクされた不正行為の同定手法を提案する。
GCNは、類似した試みのクラスタを特定するために不正なノード間の類似性を学び、学習するデータセットをはるかに小さくする必要がある。
提案手法は, ラベル伝搬コミュニティ検出と教師付きGBTアルゴリズムを, ソリューションの品質と時間の観点から比較した。
論文 参考訳（メタデータ） (2021-06-05T09:56:08Z) - 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。