論文の概要: Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2503.24259v1
• Date: Mon, 31 Mar 2025 16:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:05.808608
• Title: Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review
• Title（参考訳）: アンチモニー洗浄システムにおける連続グラフ学習の進歩 : 総合的なレビュー
• Authors: Bruno Deprez, Wei Wei, Wouter Verbeke, Bart Baesens, Kevin Mets, Tim Verdonck,
• Abstract要約: 我々は、アンチマネーロンダリングアプリケーションのための最先端の連続グラフ学習アプローチを批判的に評価する。 分析の結果,連続学習は,過度のクラス不均衡や不正パターンの進化に直面して,モデルの堅牢性と適応性を向上することが示された。
• 参考スコア（独自算出の注目度）: 6.1141481450958315
• License:
• Abstract: Financial institutions are required by regulation to report suspicious financial transactions related to money laundering. Therefore, they need to constantly monitor vast amounts of incoming and outgoing transactions. A particular challenge in detecting money laundering is that money launderers continuously adapt their tactics to evade detection. Hence, detection methods need constant fine-tuning. Traditional machine learning models suffer from catastrophic forgetting when fine-tuning the model on new data, thereby limiting their effectiveness in dynamic environments. Continual learning methods may address this issue and enhance current anti-money laundering (AML) practices, by allowing models to incorporate new information while retaining prior knowledge. Research on continual graph learning for AML, however, is still scarce. In this review, we critically evaluate state-of-the-art continual graph learning approaches for AML applications. We categorise methods into replay-based, regularization-based, and architecture-based strategies within the graph neural network (GNN) framework, and we provide in-depth experimental evaluations on both synthetic and real-world AML data sets that showcase the effect of the different hyperparameters. Our analysis demonstrates that continual learning improves model adaptability and robustness in the face of extreme class imbalances and evolving fraud patterns. Finally, we outline key challenges and propose directions for future research.
• Abstract（参考訳）: 金融機関は、マネーロンダリングに関する不審な金融取引を報告するための規制によって要求される。 そのため、大量の入出力トランザクションを常に監視する必要があります。 マネーロンダリングを検出する上で特に難しいのは、マネーロンダリングが検出を避けるための戦術を継続的に適用することである。 したがって、検出方法は常に微調整が必要である。 従来の機械学習モデルは、新しいデータに基づいてモデルを微調整するとき、破滅的な忘れに苦しむため、動的環境での有効性が制限される。 継続的な学習方法はこの問題に対処し、モデルが事前の知識を維持しながら新しい情報を組み込めるようにすることで、現在のアンチマネーロンダリング(AML)の実践を強化することができる。 しかし、AMLの連続グラフ学習の研究はいまだ少ない。 本稿では,AMLアプリケーションに対する最先端の連続グラフ学習手法を批判的に評価する。 我々は、グラフニューラルネットワーク(GNN)フレームワーク内のリプレイベース、正規化ベース、およびアーキテクチャベースの戦略に分類し、異なるハイパーパラメータの効果を示す合成および実世界のAMLデータセットの詳細な実験評価を行う。 分析の結果,継続学習は,過度なクラス不均衡や不正パターンの進化に直面して,モデル適応性と堅牢性を向上することが示された。 最後に,重要な課題を概説し,今後の研究の方向性を提案する。

関連論文リスト

• Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems [14.439233916969748]
  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。
  論文  参考訳（メタデータ） (2024-11-21T03:55:41Z)
• 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)
• Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
  金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。 本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。 我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。 参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
  論文  参考訳（メタデータ） (2023-08-22T12:53:09Z)
• LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering [5.478764356647437]
  LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。 マネーロンダリング防止プロセスを支援するための洞察を提供する。 我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
  論文  参考訳（メタデータ） (2022-10-25T21:58:02Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Anti-Money Laundering Alert Optimization Using Machine Learning with Graphs [0.769672852567215]
  マネーロンダリング(英: Money laundering)は、重大通貨からの収益(毎年1.7-4兆ユーロ)の合法化に関する世界的な問題である。 本稿では,ルールベースシステムを補完し,警告のリスクを正確に予測する機械学習トリアージモデルを提案する。 実世界の銀行のデータセット上で、我々のモデルを検証し、トリアージモデルが真正の90%以上を検出しながら、偽正の数を80%削減できることを示す。
  論文  参考訳（メタデータ） (2021-12-14T16:12:30Z)
• On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
  モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。 メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。 本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-20T22:03:04Z)
• Label Augmentation via Time-based Knowledge Distillation for Financial Anomaly Detection [0.0]
  金融異常検出ユースケースは、基礎となるパターンの動的性質のために深刻な課題に直面しています。 モデルが古いパターンから遠ざけられたり、トレーニングデータのサイズが継続的に大きくなるなど、急激な変更に追随する他の課題も伴います。 古いモデルからの学習を最新のものにするために,ラベル拡張手法を提案する。
  論文  参考訳（メタデータ） (2021-01-05T18:24:13Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• Adversarial Attacks on Machine Learning Systems for High-Frequency Trading [55.30403936506338]
  逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。 攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。 本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
  論文  参考訳（メタデータ） (2020-02-21T22:04:35Z)

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。