論文の概要: WeirdFlows: Anomaly Detection in Financial Transaction Flows
- arxiv url: http://arxiv.org/abs/2503.15896v1
- Date: Thu, 20 Mar 2025 06:49:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 16:34:51.168360
- Title: WeirdFlows: Anomaly Detection in Financial Transaction Flows
- Title（参考訳）: WeirdFlows: 金融トランザクションフローの異常検出
- Authors: Arthur Capozzi, Salvatore Vilella, Dario Moncalvo, Marco Fornasiero, Valeria Ricci, Silvia Ronchiadin, Giancarlo Ruffo,
- Abstract要約: WeirdFlowsは、不正なトランザクションや非コンプライアンスエージェントを検出するためのトップダウン検索パイプラインである。
Intesa Sanpaolo(ISP)銀行のデータセットからWerdFlowsを評価する。
- 参考スコア（独自算出の注目度）: 0.49419751845543053
- License:
- Abstract: In recent years, the digitization and automation of anti-financial crime (AFC) investigative processes have faced significant challenges, particularly the need for interpretability of AI model results and the lack of labeled data for training. Network analysis has emerged as a valuable approach in this context. In this paper, we present WeirdFlows, a top-down search pipeline for detecting potentially fraudulent transactions and non-compliant agents. In a transaction network, fraud attempts are often based on complex transaction patterns that change over time to avoid detection. The WeirdFlows pipeline requires neither an a priori set of patterns nor a training set. In addition, by providing elements to explain the anomalies found, it facilitates and supports the work of an AFC analyst. We evaluate WeirdFlows on a dataset from Intesa Sanpaolo (ISP) bank, comprising 80 million cross-country transactions over 15 months, benchmarking our implementation of the algorithm. The results, corroborated by ISP AFC experts, highlight its effectiveness in identifying suspicious transactions and actors, particularly in the context of the economic sanctions imposed in the EU after February 2022. This demonstrates \textit{WeirdFlows}' capability to handle large datasets, detect complex transaction patterns, and provide the necessary interpretability for formal AFC investigations.
- Abstract（参考訳）: 近年、AIモデル結果の解釈可能性の必要性やトレーニングのためのラベル付きデータの欠如など、反金融犯罪(AFC)調査プロセスのデジタル化と自動化が大きな課題に直面している。
ネットワーク分析はこの文脈で貴重なアプローチとして現れてきた。
本稿では,不正な取引や非コンプライアンスエージェントを検知するトップダウン検索パイプラインであるWerdFlowsを提案する。
トランザクションネットワークでは、不正な試みは、検出を避けるために時間とともに変化する複雑なトランザクションパターンに基づいていることが多い。
WeirdFlowsパイプラインは、事前のパターンセットもトレーニングセットも必要としない。
さらに、見つかった異常を説明する要素を提供することで、AFCアナリストの仕事を容易にし、支援することができる。
Intesa Sanpaolo(ISP)バンクのデータセットでWerdFlowsを評価し、15ヶ月で8000万のクロスカントリートランザクションを生成し、アルゴリズムの実装をベンチマークした。
ISP AFCの専門家らによるこの結果は、不審な取引やアクターを識別する効果、特に2022年2月以降にEUで課された経済制裁の文脈における有効性を強調している。
これは、大規模なデータセットを処理し、複雑なトランザクションパターンを検出し、正式なAFC調査に必要な解釈性を提供する‘textit{WeirdFlows}’機能を示す。
関連論文リスト
- Optimizing Blockchain Analysis: Tackling Temporality and Scalability with an Incremental Approach with Metropolis-Hastings Random Walks [2.855856661274715]
既存のメソッドは主にトランザクションネットワークのスナップショットに焦点を当てている。
本稿では,トランザクションネットワークにおけるランダムウォークに基づくノード表現学習のための漸進的なアプローチを提案する。
潜在的なアプリケーションには、トランザクションネットワークの監視、不正検出のためのブロックチェーンアドレスの効率的な分類、ネットワーク内の特別なアドレスタイプの識別などがある。
論文 参考訳（メタデータ） (2025-01-21T20:34:38Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - 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) - Transferable and Efficient Non-Factual Content Detection via Probe Training with Offline Consistency Checking [48.68044413117397]
PINOSEは、オフラインの自己整合性検査結果に基づいて探索モデルをトレーニングし、人間の注釈付きデータの必要性を回避する。
応答復号に先立って内部状態の様々な側面を調べ、事実的不正確な検出に寄与する。
論文 参考訳（メタデータ） (2024-04-10T05:00:35Z) - Generative Pretraining at Scale: Transformer-Based Encoding of
Transactional Behavior for Fraud Detection [0.0]
我々のモデルはトークンの爆発に直面し、行動列を再構築し、トランザクションの振る舞いの微妙な理解を提供する。
我々は、中国最大のオンライン決済業者のセキュリティと有効性を活性化し、異常検出を強化するために、差分畳み込みアプローチを統合する。
論文 参考訳（メタデータ） (2023-12-22T03:15:17Z) - Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection [0.9831489366502302]
本研究は,これらの課題に対処するために,FL(Federated Learning)とXAI(Explainable AI)を用いた新しいアプローチを提案する。
FLは、金融機関が顧客データを直接共有することなく、不正取引を検出するモデルを協調的に訓練することを可能にする。
XAIは、モデルによってなされた予測が人間の専門家によって理解され解釈され、システムに透明性と信頼のレイヤを追加することを保証します。
論文 参考訳（メタデータ） (2023-12-20T18:26:59Z) - Topology-Agnostic Detection of Temporal Money Laundering Flows in
Billion-Scale Transactions [0.03626013617212666]
本稿では,シーケンシャルトランザクションの時間グラフを効率的に構築するフレームワークを提案する。
我々は,不審な取引フローを検出するための2つの最先端ソリューションに対するフレームワークのスケーラビリティと有効性を評価する。
論文 参考訳（メタデータ） (2023-09-24T15:11:58Z) - 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) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。
最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。
GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
論文 参考訳（メタデータ） (2022-10-24T03:00:01Z) - Explainable Deep Behavioral Sequence Clustering for Transaction Fraud
Detection [3.9505606841402607]
クラスタリングのためのディープラーニングに基づく行動データ表現法(FinDeepBehaviorCluster)を提案し,不正取引を検出する。
動作シーケンスデータを利用するために,クリックストリームデータをイベントシーケンスとして扱い,時間アテンションに基づくBi-LSTMを用いて,教師なしの方法でシーケンス埋め込みを学習し,リスクエキスパートが生成した直感的な特徴と組み合わせてハイブリッドな特徴表現を形成する。
実験の結果,提案するFinDeepBehaviorClusterフレームワークは,ビジネス価値の高い不正取引を捕捉できることがわかった。
論文 参考訳（メタデータ） (2021-01-12T04:12:18Z)
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。