論文の概要: Regulatory Graphs and GenAI for Real-Time Transaction Monitoring and Compliance Explanation in Banking

• arxiv url: http://arxiv.org/abs/2506.01093v1
• Date: Sun, 01 Jun 2025 17:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.927742
• Title: Regulatory Graphs and GenAI for Real-Time Transaction Monitoring and Compliance Explanation in Banking
• Title（参考訳）: 銀行業務におけるリアルタイム取引監視とコンプライアンス説明のための規制グラフとGenAI
• Authors: Kunal Khanvilkar, Kranthi Kommuru,
• Abstract要約: 本稿では,グラフに基づくモデリング,物語フィールドの埋め込み,生成的説明を統合したリアルタイムトランザクション監視フレームワークを提案する。 このシステムは動的トランザクショングラフを構築し、構造的特徴と文脈的特徴を抽出し、グラフニューラルネットワークを用いて不審な振る舞いを分類する。 シミュレーションデータを用いた実験により, 98.2%のF1スコア, 97.8%の精度, 97.0%のリコールが得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a real-time transaction monitoring framework that integrates graph-based modeling, narrative field embedding, and generative explanation to support automated financial compliance. The system constructs dynamic transaction graphs, extracts structural and contextual features, and classifies suspicious behavior using a graph neural network. A retrieval-augmented generation module generates natural language explanations aligned with regulatory clauses for each flagged transaction. Experiments conducted on a simulated stream of financial data show that the proposed method achieves superior results, with 98.2% F1-score, 97.8% precision, and 97.0% recall. Expert evaluation further confirms the quality and interpretability of generated justifications. The findings demonstrate the potential of combining graph intelligence and generative models to support explainable, audit-ready compliance in high-risk financial environments.
• Abstract（参考訳）: 本稿では、グラフベースのモデリング、物語フィールドの埋め込み、自動財務コンプライアンスを支援する生成的説明を統合したリアルタイムトランザクション監視フレームワークを提案する。 このシステムは動的トランザクショングラフを構築し、構造的特徴と文脈的特徴を抽出し、グラフニューラルネットワークを用いて不審な振る舞いを分類する。 検索拡張生成モジュールは、フラグ付きトランザクション毎の規制条項に沿った自然言語説明を生成する。 シミュレーションデータを用いた実験により, 98.2%のF1スコア, 97.8%の精度, 97.0%のリコールが得られた。 専門家による評価は、生成された正当化の品質と解釈可能性をさらに確認する。 その結果,リスクの高い金融環境において,グラフインテリジェンスと生成モデルを組み合わせることで,説明可能な,監査可能なコンプライアンスを実現する可能性が示された。

関連論文リスト

• Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods [0.6642919568083927]
  本稿では,XGBoost,LightGBM,CatBoostという,勾配促進モデルの積み重ねアンサンブルを組み合わせた不正検出フレームワークを提案する。 XAI技術は、モデルの決定の透明性と解釈可能性を高めるために使用される。
  論文  参考訳（メタデータ） (2025-05-15T07:53:02Z)
• Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention [2.7002727600755883]
  異種グラフニューラルネットワーク(HGNN)を用いたクレジットカード不正検出手法を提案する。 グラフニューラルネットワークを活用することで、モデルは高次のトランザクション関係をキャプチャする。 このモデルは精度とOC-ROCの両方において顕著な改善を達成している。
  論文  参考訳（メタデータ） (2025-04-11T00:53:53Z)
• Towards a Foundation Purchasing Model: Pretrained Generative Autoregression on Transaction Sequences [0.0]
  本稿では,金融取引の文脈的埋め込みを得るための生成事前学習手法を提案する。 さらに,510億の取引を含む180の発行銀行のデータコーパスを用いて,埋め込みモデルの大規模事前学習を行う。
  論文  参考訳（メタデータ） (2024-01-03T09:32:48Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• Navigating the Dynamics of Financial Embeddings over Time [0.0]
  スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。 我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
  論文  参考訳（メタデータ） (2020-07-01T16:27:31Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。