論文の概要: TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs

• arxiv url: http://arxiv.org/abs/2503.16901v1
• Date: Fri, 21 Mar 2025 07:10:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:56:02.437905
• Title: TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs
• Title（参考訳）: TeMP-TraG: トランザクショングラフにおけるエッジベースの時間メッセージパッシング
• Authors: Steve Gounoue, Ashutosh Sao, Simon Gottschalk,
• Abstract要約: トランザクショングラフは、マネーロンダリングや詐欺といった金融犯罪のパターンを明らかにすることができる。 本稿では,時間的ダイナミクスをメッセージパッシングに組み込んだ新しいグラフニューラルネットワーク機構TeMP-TraGを提案する。 我々は、TeMP-TraGが4つの最先端グラフニューラルネットワークを平均6.19%改善できることを実証した。
• 参考スコア（独自算出の注目度）: 1.79424680938667
• License:
• Abstract: Transaction graphs, which represent financial and trade transactions between entities such as bank accounts and companies, can reveal patterns indicative of financial crimes like money laundering and fraud. However, effective detection of such cases requires node and edge classification methods capable of addressing the unique challenges of transaction graphs, including rich edge features, multigraph structures and temporal dynamics. To tackle these challenges, we propose TeMP-TraG, a novel graph neural network mechanism that incorporates temporal dynamics into message passing. TeMP-TraG prioritises more recent transactions when aggregating node messages, enabling better detection of time-sensitive patterns. We demonstrate that TeMP-TraG improves four state-of-the-art graph neural networks by 6.19% on average. Our results highlight TeMP-TraG as an advancement in leveraging transaction graphs to combat financial crime.
• Abstract（参考訳）: 取引グラフは、銀行口座や企業などの企業間の金融取引と取引取引を表すもので、マネーロンダリングや詐欺のような金融犯罪のパターンを示すことができる。 しかし、このようなケースを効果的に検出するには、リッチエッジ特徴、マルチグラフ構造、時間ダイナミクスなど、トランザクショングラフのユニークな課題に対処できるノードとエッジの分類方法が必要である。 これらの課題に対処するために,時間的ダイナミクスをメッセージパッシングに組み込んだ新しいグラフニューラルネットワーク機構TeMP-TraGを提案する。 TeMP-TraGは、ノードメッセージの集約時に、より最近のトランザクションを優先し、時間に敏感なパターンのより優れた検出を可能にする。 我々は、TeMP-TraGが4つの最先端グラフニューラルネットワークを平均6.19%改善できることを実証した。 この結果から,TMP-TraGは取引グラフを活用した金融犯罪対策の進展として注目されている。

関連論文リスト

• 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)
• Graph Network Models To Detect Illicit Transactions In Block Chain [0.0]
  暗号通貨は マネーロンダリングのような違法な活動を 増加させています 残差ネットワーク型アーキテクチャ(GAT-ResNet)を用いたグラフアテンションネットワークの適用により,この問題に対処する新しい手法を提案する。 以上の結果から,GAT-ResNetモデルが既存のグラフネットワークモデルよりも精度,信頼性,スケーラビリティに優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-09-23T04:38:44Z)
• Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable Framework for Transaction Anomaly Detection in Ethereum Networks [2.795656498870966]
  本研究では、時間ランダムウォーク(TRW)とグラフ畳み込みネットワーク(GCN)の融合について述べる。 我々のアプローチは、従来のGCNとは異なり、TRWの強みを利用してトランザクションの複雑な時間シーケンスを識別する。 TRW-GCNフレームワークが従来のGCNよりも性能指標を大幅に向上することを示す予備評価を行った。
  論文  参考訳（メタデータ） (2023-09-29T21:08:21Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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)
• 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)
• Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics [5.617291981476445]
  本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。 これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
  論文  参考訳（メタデータ） (2022-06-07T16:22:55Z)
• 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)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。