論文の概要: MPOCryptoML: Multi-Pattern based Off-Chain Crypto Money Laundering Detection

• arxiv url: http://arxiv.org/abs/2508.12641v1
• Date: Mon, 18 Aug 2025 06:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.983033
• Title: MPOCryptoML: Multi-Pattern based Off-Chain Crypto Money Laundering Detection
• Title（参考訳）: MPOCryptoML:マルチパターン型オフチェーン暗号マネーロンダリング検出
• Authors: Yasaman Samadi, Hai Dong, Xiaoyu Xia,
• Abstract要約: 本稿では,暗号通貨取引における複数のマネーロンダリングパターンを効果的に検出するMPOCryptoMLを提案する。 MPOCryptoMLは、ランダムな洗浄パターンを識別するマルチソースパーソナライズされたPageRankアルゴリズムの開発を含む。 一貫性のあるパフォーマンス向上を示し、精度が9.13%、リコールが10.16%、F1スコアが7.63%、精度が10.19%まで向上した。
• 参考スコア（独自算出の注目度）: 2.2530496464901106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in money laundering detection have demonstrated the potential of using graph neural networks to capture laundering patterns accurately. However, existing models are not explicitly designed to detect the diverse patterns of off-chain cryptocurrency money laundering. Neglecting any laundering pattern introduces critical detection gaps, as each pattern reflects unique transactional structures that facilitate the obfuscation of illicit fund origins and movements. Failure to account for these patterns may result in under-detection or omission of specific laundering activities, diminishing model accuracy and allowing schemes to bypass detection. To address this gap, we propose the MPOCryptoML model to effectively detect multiple laundering patterns in cryptocurrency transactions. MPOCryptoML includes the development of a multi-source Personalized PageRank algorithm to identify random laundering patterns. Additionally, we introduce two novel algorithms by analyzing the timestamp and weight of transactions in high-volume financial networks to detect various money laundering structures, including fan-in, fan-out, bipartite, gather-scatter, and stack patterns. We further examine correlations between these patterns using a logistic regression model. An anomaly score function integrates results from each module to rank accounts by anomaly score, systematically identifying high-risk accounts. Extensive experiments on public datasets including Elliptic++, Ethereum fraud detection, and Wormhole transaction datasets validate the efficacy and efficiency of MPOCryptoML. Results show consistent performance gains, with improvements up to 9.13% in precision, up to 10.16% in recall, up to 7.63% in F1-score, and up to 10.19% in accuracy.
• Abstract（参考訳）: マネーロンダリング検出の最近の進歩は、グラフニューラルネットワークを用いて、マネーロンダリングパターンを正確にキャプチャする可能性を実証している。 しかし、既存のモデルは、オフチェーン暗号通貨のマネーロンダリングの多様なパターンを検出するように設計されていない。 マネーロンダリングパターンの無視は、各パターンが不正なファンドの起源と動きの難読化を促進するユニークなトランザクション構造を反映しているため、重要な検出ギャップをもたらす。 これらのパターンを説明するのに失敗すると、特定の洗浄活動の過小評価や欠落が生じ、モデルの精度が低下し、検出を回避できるスキームが生まれる。 このギャップに対処するため,暗号通貨取引における複数のマネーロンダリングパターンを効果的に検出するMPOCryptoMLモデルを提案する。 MPOCryptoMLは、ランダムな洗浄パターンを識別するマルチソースパーソナライズされたPageRankアルゴリズムの開発を含む。 さらに, ファンイン, ファンアウト, バイパルタイト, 集合散乱, スタックパターンなど, 各種マネーロンダリング構造を検出するために, 高ボリューム金融ネットワークにおけるトランザクションのタイムスタンプと重みを解析して, 新たな2つのアルゴリズムを導入する。 さらに,ロジスティック回帰モデルを用いて,これらのパターン間の相関関係について検討する。 異常スコア関数は、各モジュールの結果を、異常スコアによってランク付けし、ハイリスクアカウントを体系的に識別する。 Elliptic++、Ethereum不正検出、Wormholeトランザクションデータセットなどの公開データセットに関する大規模な実験は、MPOCryptoMLの有効性と効率を検証する。 結果は、精度が9.13%、リコールが10.16%、F1スコアが7.63%、精度が10.19%に向上した。

関連論文リスト

• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• 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)
• 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)
• Graph Network Models To Detect Illicit Transactions In Block Chain [0.0]
  暗号通貨は マネーロンダリングのような違法な活動を 増加させています 残差ネットワーク型アーキテクチャ(GAT-ResNet)を用いたグラフアテンションネットワークの適用により,この問題に対処する新しい手法を提案する。 以上の結果から,GAT-ResNetモデルが既存のグラフネットワークモデルよりも精度,信頼性,スケーラビリティに優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-09-23T04:38:44Z)
• 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)
• 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)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• Catch Me If You Can: Semi-supervised Graph Learning for Spotting Money Laundering [0.4159343412286401]
  マネーロンダリング(英: Money laundering)とは、犯罪者が違法な資金を追跡不可能な場所に移すために金融サービスを利用するプロセスである。 反マネーロンダリング(AML)を施行するためには、これらの活動を正確かつ確実に特定することが極めて重要である。 本稿では,金融取引のグラフに対する半教師付きグラフ学習手法を用いて,マネーロンダリングに関連するノードを特定する。
  論文  参考訳（メタデータ） (2023-02-23T09:34:19Z)

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。