論文の概要: Detecting Fraud in Financial Networks: A Semi-Supervised GNN Approach with Granger-Causal Explanations

• arxiv url: http://arxiv.org/abs/2507.01980v1
• Date: Wed, 25 Jun 2025 12:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:14.879207
• Title: Detecting Fraud in Financial Networks: A Semi-Supervised GNN Approach with Granger-Causal Explanations
• Title（参考訳）: ファイナンシャルネットワークにおけるフラッド検出:グランガー因果説明を用いたセミスーパービジョンGNNアプローチ
• Authors: Linh Nguyen, Marcel Boersma, Erman Acar,
• Abstract要約: 金融業界の粗悪な活動は毎年何十億ドルもの費用がかかる。 本稿では、金融インタラクションネットワークのためのグランガー因果説明を用いた半教師付きグラフニューラルネットワーク(GNN)に基づくアプローチであるSAGE-FINを提案する。 実世界のデータセットであるBipartite Edge-And-Node Attributed Financial Network (Elliptic++)上でのSAGE-FINの良好な性能を実証的に検証し,ネットワーク構造を前提とせずに識別された不正項目についてグランガー因果説明を行った。
• 参考スコア（独自算出の注目度）: 5.407319151576265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fraudulent activity in the financial industry costs billions annually. Detecting fraud, therefore, is an essential yet technically challenging task that requires carefully analyzing large volumes of data. While machine learning (ML) approaches seem like a viable solution, applying them successfully is not so easy due to two main challenges: (1) the sparsely labeled data, which makes the training of such approaches challenging (with inherent labeling costs), and (2) lack of explainability for the flagged items posed by the opacity of ML models, that is often required by business regulations. This article proposes SAGE-FIN, a semi-supervised graph neural network (GNN) based approach with Granger causal explanations for Financial Interaction Networks. SAGE-FIN learns to flag fraudulent items based on weakly labeled (or unlabelled) data points. To adhere to regulatory requirements, the flagged items are explained by highlighting related items in the network using Granger causality. We empirically validate the favorable performance of SAGE-FIN on a real-world dataset, Bipartite Edge-And-Node Attributed financial network (Elliptic++), with Granger-causal explanations for the identified fraudulent items without any prior assumption on the network structure.
• Abstract（参考訳）: 金融業界の粗悪な活動は毎年何十億ドルもの費用がかかる。 したがって、不正を検出することは、大量のデータを慎重に分析する必要がある、不可欠だが技術的に困難な作業である。 機械学習(ML)アプローチは実現可能なソリューションのように思われるが、1) 厳密なラベル付きデータ、(固有のラベル付けコストを伴う)そのようなアプローチのトレーニング、2) MLモデルの不透明さによって生じるフラグ付き項目の説明可能性の欠如、という2つの大きな課題により、それらをうまく適用することは容易ではない。 本稿では、金融インタラクションネットワークのためのグランガー因果説明を用いた半教師付きグラフニューラルネットワーク(GNN)に基づくアプローチであるSAGE-FINを提案する。 SAGE-FINは、弱いラベル付き(またはラベルなし)データポイントに基づいて不正なアイテムをフラグする。 規制要件に従うために、フラグ付き項目は、グランガー因果関係を用いてネットワーク内の関連項目をハイライトすることによって説明される。 実世界のデータセットであるBipartite Edge-And-Node Attributed Financial Network (Elliptic++)上でのSAGE-FINの良好な性能を実証的に検証し,ネットワーク構造を前提とせずに識別された不正項目についてグランガー因果説明を行った。

関連論文リスト

• GARG-AML against Smurfing: A Scalable and Interpretable Graph-Based Framework for Anti-Money Laundering [1.9461779294968458]
  マネーロンダリングは世界のGDPの2%-5%を占めると見積もられている。 GARG-AMLは、単一の解釈可能なメートル法によってシャムリングリスクを定量化する新しいグラフベースの手法である。
  論文  参考訳（メタデータ） (2025-06-04T11:30:37Z)
• 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)
• Corporate Fraud Detection in Rich-yet-Noisy Financial Graph [13.061327697762287]
  企業不正検出は、不正な財務声明や不正なインサイダー取引などの不正行為を行う企業を自動的に認識することを目的としている。 従来の学習ベースの手法では,企業ネットワーク内でのリッチなインタラクションを効果的に統合できない。 中国における18年間の財務記録を分析し、3つのグラフデータセットと不正ラベルを作成します。
  論文  参考訳（メタデータ） (2025-02-26T17:05:54Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism [5.486205584465161]
  本研究は,通常の分類プロセスに2つの余分な層を追加することにより,CCF検出のための新たな積み重ねに基づくアプローチを提案する。 注意層では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)のソフトアウトプットを、依存重み付け平均化(DOWA)演算子を用いて組み合わせる。 信頼層では,どのアグリゲーション(DOWAまたはIOWA)でも,メタラーナーへのフィードの不確実性が低いかを選択する。 3つのデータセットに対する実験により,提案手法は高精度かつ堅牢な一般化を実現し,CCF検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-10-01T09:56:23Z)
• 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)
• Textual Data Mining for Financial Fraud Detection: A Deep Learning Approach [0.0]
  本稿では,自然言語処理(以下,NLP)のバイナリ分類タスクを,金融詐欺テキストの分析に活用する深層学習手法を提案する。 私の方法論では、埋め込み層を持つ多層パーセプトロン、Vanilla Recurrent Neural Network(RNN)、Long-Short Term Memory(LSTM)、Gated Recurrent Unit(GRU)など、さまざまな種類のニューラルネットワークモデルが関係しています。 本研究が深層学習,NLP,金融の交差点における研究の進展に寄与するため,私の研究成果は,金融不正検出に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-05T15:33:10Z)
• 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)
• 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)
• 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)

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。