論文の概要: Amatriciana: Exploiting Temporal GNNs for Robust and Efficient Money Laundering Detection

• arxiv url: http://arxiv.org/abs/2506.00654v1
• Date: Sat, 31 May 2025 17:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.664194
• Title: Amatriciana: Exploiting Temporal GNNs for Robust and Efficient Money Laundering Detection
• Title（参考訳）: Amatriciana:ロバストで効率的なマネーロンダリング検出のための時間的GNNの爆発
• Authors: Marco Di Gennaro, Francesco Panebianco, Marco Pianta, Stefano Zanero, Michele Carminati,
• Abstract要約: マネーロンダリングは、金融の整合性と社会保障に深刻な脅威をもたらす。 我々は、トランザクショングラフ内のマネーロンダラーを検出する新しいアプローチであるAmatricianaを紹介する。
• 参考スコア（独自算出の注目度）: 4.2408991654684876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Money laundering is a financial crime that poses a serious threat to financial integrity and social security. The growing number of transactions makes it necessary to use automatic tools that help law enforcement agencies detect such criminal activity. In this work, we present Amatriciana, a novel approach based on Graph Neural Networks to detect money launderers inside a graph of transactions by considering temporal information. Amatriciana uses the whole graph of transactions without splitting it into several time-based subgraphs, exploiting all relational information in the dataset. Our experiments on a public dataset reveal that the model can learn from a limited amount of data. Furthermore, when more data is available, the model outperforms other State-of-the-art approaches; in particular, Amatriciana decreases the number of False Positives (FPs) while detecting many launderers. In summary, Amatriciana achieves an F1 score of 0.76. In addition, it lowers the FPs by 55% with respect to other State-of-the-art models.
• Abstract（参考訳）: マネーロンダリング(英: Money laundering)は、金融の完全性と社会保障に深刻な脅威をもたらす金融犯罪である。 取引の増加により、法執行機関がそのような犯罪行為を検出するのに役立つ自動ツールを使う必要がある。 本研究では,グラフニューラルネットワークに基づく新しい手法であるAmatricianaを紹介し,時間的情報を考慮したトランザクショングラフ内のマネーロンダラーを検出する。 Amatricianaは、トランザクションのグラフ全体を複数の時間ベースのサブグラフに分割することなく使用し、データセット内のすべてのリレーショナル情報を活用する。 公開データセットに関する我々の実験では、モデルが限られた量のデータから学習できることが判明した。 さらに、より多くのデータが利用可能になった場合、このモデルは他の最先端アプローチよりも優れており、特にAmatricianaは、多くの洗浄者を検出しながら偽陽性者(FPs)の数を減少させる。 要約すると、Amatricianaのスコアは0.76である。 さらに、他の最先端モデルと比較してFPを55%下げる。

関連論文リスト

• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• 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)
• Finding Money Launderers Using Heterogeneous Graph Neural Networks [0.0]
  本稿では,大規模なヘテロジニアスネットワーク内のマネーロンダリング活動を特定するために,グラフニューラルネットワーク(GNN)アプローチを提案する。 我々は、MPNN(Message Passing Neural Network)と呼ばれる同種GNN法を拡張し、異種グラフ上で効果的に動作させる。 本研究は,異種グラフにおける情報の組み合わせにおいて,適切なGNNアーキテクチャを用いることの重要性を強調した。
  論文  参考訳（メタデータ） (2023-07-25T13:49:15Z)
• 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)
• Realistic Synthetic Financial Transactions for Anti-Money Laundering Models [2.3802629107286046]
  マネーロンダリング(英: Money laundering)とは、不正な資金が彼らの起源を隠蔽する動きである。 国連の推計では、世界のGDPの2-5%、すなわち0.8ドルから2.0兆ドルは毎年世界規模で洗浄されている。 本稿では、合成金融トランザクションデータセット生成器と合成生成されたAMLデータセットのセットに貢献する。
  論文  参考訳（メタデータ） (2023-06-22T10:32:51Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• 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)
• 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)

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。