論文の概要: Representation learning with a transformer by contrastive learning for money laundering detection

• arxiv url: http://arxiv.org/abs/2507.08835v1
• Date: Mon, 07 Jul 2025 08:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.468958
• Title: Representation learning with a transformer by contrastive learning for money laundering detection
• Title（参考訳）: マネーロンダリング検出のためのコントラスト学習による変換器による表現学習
• Authors: Harold Guéneau, Alain Celisse, Pascal Delange,
• Abstract要約: 変圧器ニューラルネットワークを用いて定性的および定量的データの構造化時系列を利用する新しい手順が導入された。 実験により、トランスフォーマーはマネーロンダリングパターンを利用するのに成功する一般的な表現を生成することができることを確認した。 また、偽陽性率を抑えつつ、不正行為や不正行為を検知する新たな手順の能力も高めている。
• 参考スコア（独自算出の注目度）: 1.8160945635344528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The present work tackles the money laundering detection problem. A new procedure is introduced which exploits structured time series of both qualitative and quantitative data by means of a transformer neural network. The first step of this procedure aims at learning representations of time series through contrastive learning (without any labels). The second step leverages these representations to generate a money laundering scoring of all observations. A two-thresholds approach is then introduced, which ensures a controlled false-positive rate by means of the Benjamini-Hochberg (BH) procedure. Experiments confirm that the transformer is able to produce general representations that succeed in exploiting money laundering patterns with minimal supervision from domain experts. It also illustrates the higher ability of the new procedure for detecting nonfraudsters as well as fraudsters, while keeping the false positive rate under control. This greatly contrasts with rule-based procedures or the ones based on LSTM architectures.
• Abstract（参考訳）: 本研究はマネーロンダリング検出問題に取り組む。 変圧器ニューラルネットワークを用いて定性的および定量的データの構造化時系列を利用する新しい手順が導入された。 この手順の最初のステップは、(ラベルなしで)対照的な学習を通して時系列の表現を学習することである。 第2のステップでは、これらの表現を活用して、すべての観測結果の採点を行うマネーロンダリングを生成する。 次に、2閾値のアプローチを導入し、ベンジャミン・ホックバーグ(英語版)(BH)法を用いて制御された偽陽性率を保証する。 実験により、トランスフォーマーは、ドメインの専門家による最小限の監督でマネーロンダリングパターンを活用できる一般的な表現を生成することができることを確認した。 また、偽陽性率を抑えつつ、不正行為や不正行為を検知する新たな手順の能力も高めている。 これはルールベースのプロシージャやLSTMアーキテクチャに基づくプロシージャとは大きく異なる。

関連論文リスト

• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• 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)
• Born a Transformer -- Always a Transformer? [57.37263095476691]
  We study a family of $textitretrieval$ and $textitcopying$ tasks inspired by Liu et al。 我々は、事前訓練されたモデルがクエリトークンの左(アンチインダクション)よりも右(インダクション)へのトークンの検索が優れているような、$textitinduction-versus-anti-induction$ asymmetricを観察する。 力学解析により、この非対称性は、事前学習された変圧器内の誘導の強度と反誘導回路の強度の違いに関係していることが明らかになった。
  論文  参考訳（メタデータ） (2025-05-27T21:36:50Z)
• Application of Deep Generative Models for Anomaly Detection in Complex Financial Transactions [6.168094458060399]
  本研究では,大規模支払フローにおける疑わしい行動を検出するアルゴリズムを提案する。 GAN(Generative Adversarial Networks)と可変オートエンコーダ(VAE)を組み合わせることで、金融取引における異常な振る舞いを検出するように設計されている。
  論文  参考訳（メタデータ） (2025-04-21T23:49:10Z)
• Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review [6.1141481450958315]
  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。
  論文  参考訳（メタデータ） (2025-03-31T16:06:47Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Towards Accurate Guided Diffusion Sampling through Symplectic Adjoint Method [110.9458914721516]
  本研究では,2つの段階の勾配誘導を算出したSymphlectic Adjoint Guidance (SAG)を提案する。 SAGは、ガイド画像およびビデオ生成タスクのベースラインと比較して画質の高い画像を生成する。
  論文  参考訳（メタデータ） (2023-12-19T10:30:31Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• GSB: Group Superposition Binarization for Vision Transformer with Limited Training Samples [46.025105938192624]
  Vision Transformer (ViT) は様々なコンピュータビジョンタスクにおいて顕著に機能している。 ViTは通常、比較的限られた数のトレーニングサンプルで深刻なオーバーフィッティング問題に悩まされる。 本稿では,GSB(Group Superposition Binarization)と呼ばれる新しいモデルバイナライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2023-05-13T14:48:09Z)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)
• TransductGAN: a Transductive Adversarial Model for Novelty Detection [4.574919718545737]
  ノベルティ検出の一般的な設定は、トレーニング期間中に負のクラスの例のみが利用可能となる誘導的である。 一方、トランスダクティブノベルティ検出は、最近の関心の高まりを目撃したばかりでなく、トレーニング中に負のクラスを利用するだけでなく、新しい例を検出するための(ラベルのない)テストセットも組み込んでいる。
  論文  参考訳（メタデータ） (2022-03-29T10:08:07Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• A Time-Frequency based Suspicious Activity Detection for Anti-Money Laundering [0.0]
  マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入するために使う重要なメカニズムである。 これらの機関の現在のシステムのほとんどはルールベースであり、非効率である。 本稿では、金融取引の2次元表現を利用した時間周波数分析に基づく新しい特徴セットを提案する。
  論文  参考訳（メタデータ） (2020-11-17T08:01:50Z)

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。