論文の概要: Enhancing Customer Contact Efficiency with Graph Neural Networks in Credit Card Fraud Detection Workflow

• arxiv url: http://arxiv.org/abs/2504.02275v1
• Date: Thu, 03 Apr 2025 04:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:50.682086
• Title: Enhancing Customer Contact Efficiency with Graph Neural Networks in Credit Card Fraud Detection Workflow
• Title（参考訳）: クレジットカード不正検出ワークフローにおけるグラフニューラルネットワークによる顧客接触効率向上
• Authors: Menghao Huo, Kuan Lu, Qiang Zhu, Zhenrui Chen,
• Abstract要約: 本稿では,不正取引の識別精度を高めるために,グラフ畳み込みネットワーク(RGCN)を組み込んだ不正検出フレームワークを提案する。 提案手法の有効性を評価するため,IBMクレジットカードトランザクションデータセットを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 1.0853764732047277
• License:
• Abstract: Credit card fraud has been a persistent issue since the last century, causing significant financial losses to the industry. The most effective way to prevent fraud is by contacting customers to verify suspicious transactions. However, while these systems are designed to detect fraudulent activity, they often mistakenly flag legitimate transactions, leading to unnecessary declines that disrupt the user experience and erode customer trust. Frequent false positives can frustrate customers, resulting in dissatisfaction, increased complaints, and a diminished sense of security. To address these limitations, we propose a fraud detection framework incorporating Relational Graph Convolutional Networks (RGCN) to enhance the accuracy and efficiency of identifying fraudulent transactions. By leveraging the relational structure of transaction data, our model reduces the need for direct customer confirmation while maintaining high detection performance. Our experiments are conducted using the IBM credit card transaction dataset to evaluate the effectiveness of this approach.
• Abstract（参考訳）: クレジットカード詐欺は前世紀以来絶え間ない問題であり、業界に大きな損失をもたらした。 不正防止の最も効果的な方法は、不審な取引を確認するために顧客に連絡することである。 しかし、これらのシステムは不正行為を検出するように設計されているが、しばしば不正に合法的な取引を通知し、ユーザー体験を損なう不必要な低下と顧客の信頼を損なう。 偽陽性の頻度は顧客をいらいらさせ、不満、不満の高まり、セキュリティの感覚の低下をもたらす。 これらの制約に対処するため,RGCN(Relational Graph Convolutional Networks)を組み込んだ不正検出フレームワークを提案し,不正取引を識別する精度と効率を高める。 トランザクションデータのリレーショナル構造を利用することで、高い検出性能を維持しつつ、顧客の直接確認の必要性を低減できる。 提案手法の有効性を評価するため,IBMクレジットカードトランザクションデータセットを用いて実験を行った。

関連論文リスト

• Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation [28.745101225936697]
  不正検出のための半教師付きグラフニューラルネットワークを提案する。 具体的には、トランザクションレコードを活用して、時間的トランザクショングラフを構築します。 次に、Gated Temporal Attention Network (GTAN)を介してノード間でメッセージを渡し、トランザクション表現を学習します。
  論文  参考訳（メタデータ） (2024-12-24T08:48:48Z)
• Credit Card Fraud Detection in the Nigerian Financial Sector: A Comparison of Unsupervised TensorFlow-Based Anomaly Detection Techniques, Autoencoders and PCA Algorithm [0.0]
  クレジットカード詐欺はナイジェリアの金融セクターにおける国家的懸念の主な原因である。 本稿では,人間の介入から完全に独立して働くことを想定した2つの不正検出技術の有効性を比較することを目的とする。
  論文  参考訳（メタデータ） (2024-03-08T21:22:05Z)
• Enhancing Credit Card Fraud Detection A Neural Network and SMOTE Integrated Approach [4.341096233663623]
  本研究では、ニューラルネットワーク(NN)とSMOTE(Synthet ic Minority Over-Sampling Technique)を組み合わせて検出性能を向上させる革新的な手法を提案する。 この研究は、クレジットカード取引データに固有の不均衡に対処し、堅牢で正確な不正検出のための技術的進歩に焦点を当てた。
  論文  参考訳（メタデータ） (2024-02-27T02:26:04Z)
• 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)
• Online Corrupted User Detection and Regret Minimization [49.536254494829436]
  現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。 乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。 我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
  論文  参考訳（メタデータ） (2023-10-07T10:20:26Z)
• Incentivized Communication for Federated Bandits [67.4682056391551]
  我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。 本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
  論文  参考訳（メタデータ） (2023-09-21T00:59:20Z)
• 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)
• A Combination of Deep Neural Networks and K-Nearest Neighbors for Credit Card Fraud Detection [0.0]
  本稿では, アンダーサンプリングアルゴリズム, K-nearest Neighbor Algorithm (KNN) と Deep Neural Network (KNN) を含む新しい手法を実装した。 性能評価の結果、DNNモデルは正確な精度(98.12%)を示し、提示された手法が不正取引を検出する優れた能力を示している。
  論文  参考訳（メタデータ） (2022-05-27T10:33:27Z)
• Feature-Level Fusion of Super-App and Telecommunication Alternative Data Sources for Credit Card Fraud Detection [106.33204064461802]
  クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。 クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-11-05T19:10:35Z)
• 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)
• DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
  コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。 本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
  論文  参考訳（メタデータ） (2020-06-10T08:20:13Z)

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。