論文の概要: Foe for Fraud: Transferable Adversarial Attacks in Credit Card Fraud Detection
- arxiv url: http://arxiv.org/abs/2508.14699v1
- Date: Wed, 20 Aug 2025 13:23:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 16:52:41.463852
- Title: Foe for Fraud: Transferable Adversarial Attacks in Credit Card Fraud Detection
- Title（参考訳）: クレジットカード不正検出におけるFoe for Fraud:Transferable Adversarial Attacks
- Authors: Jan Lum Fok, Qingwen Zeng, Shiping Chen, Oscar Fawkes, Huaming Chen,
- Abstract要約: クレジットカード詐欺検出は、金融セクターにおける機械学習(ML)の重要な応用である。
敵の攻撃は 金融業界の安全と安定に 重大な脅威をもたらします
本稿では,CCFD MLモデルの対向的摂動に対する堅牢性を検討するための総合的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 1.469672228104042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Credit card fraud detection (CCFD) is a critical application of Machine Learning (ML) in the financial sector, where accurately identifying fraudulent transactions is essential for mitigating financial losses. ML models have demonstrated their effectiveness in fraud detection task, in particular with the tabular dataset. While adversarial attacks have been extensively studied in computer vision and deep learning, their impacts on the ML models, particularly those trained on CCFD tabular datasets, remains largely unexplored. These latent vulnerabilities pose significant threats to the security and stability of the financial industry, especially in high-value transactions where losses could be substantial. To address this gap, in this paper, we present a holistic framework that investigate the robustness of CCFD ML model against adversarial perturbations under different circumstances. Specifically, the gradient-based attack methods are incorporated into the tabular credit card transaction data in both black- and white-box adversarial attacks settings. Our findings confirm that tabular data is also susceptible to subtle perturbations, highlighting the need for heightened awareness among financial technology practitioners regarding ML model security and trustworthiness. Furthermore, the experiments by transferring adversarial samples from gradient-based attack method to non-gradient-based models also verify our findings. Our results demonstrate that such attacks remain effective, emphasizing the necessity of developing robust defenses for CCFD algorithms.
- Abstract（参考訳）: クレジットカード不正検出(CCFD)は、金融セクターにおける機械学習(ML)の重要な応用であり、不正取引を正確に識別することが財務損失の軽減に不可欠である。
MLモデルは、不正検出タスク、特に表付きデータセットにおいて、その効果を実証している。
敵の攻撃はコンピュータビジョンやディープラーニングで広く研究されているが、MLモデル、特にCCFDの表層データセットで訓練されたモデルへの影響は、いまだほとんど解明されていない。
これらの潜伏する脆弱性は、金融業界のセキュリティと安定性、特に大きな損失をもたらす可能性のある高価値取引に重大な脅威をもたらす。
本稿では,CCFD MLモデルの異なる状況下での対向的摂動に対する堅牢性を検討するための全体論的な枠組みを提案する。
具体的には、ブラックボックスとホワイトボックスの両方の攻撃設定において、カードトランザクションデータに勾配に基づく攻撃方法が組み込まれている。
調査の結果,表型データも微妙な摂動の影響を受けやすいことが確認され,MLモデルのセキュリティと信頼性に関する金融技術実践者の意識を高める必要性が浮き彫りになった。
さらに, 勾配型攻撃法から非勾配型モデルへの逆方向サンプルの移動実験も本研究の成果を裏付けるものである。
以上の結果から,CCFDアルゴリズムのロバスト・ディフェンス開発の必要性が強調された。
関連論文リスト
- Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。
テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
論文 参考訳（メタデータ） (2025-08-12T17:19:20Z) - 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) - FRAUD-RLA: A new reinforcement learning adversarial attack against credit card fraud detection [2.0929781711360675]
敵対的攻撃はデータ駆動システムに重大な脅威をもたらす。
既存の攻撃の限界を示す新しい脅威モデルを提案する。
次に、クレジットカード不正検出のための新たな敵攻撃を設計する。
論文 参考訳（メタデータ） (2025-02-04T12:59:35Z) - Detecting and Understanding Vulnerabilities in Language Models via Mechanistic Interpretability [44.99833362998488]
大規模言語モデル(LLM)は、幅広いタスクで素晴らしいパフォーマンスを示している。
特にLSMは敵攻撃に弱いことが知られており、入力に対する非受容的な変更はモデルの出力を誤解させる可能性がある。
本稿では,メカニスティック・インタプリタビリティ(MI)技術に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-07-29T09:55:34Z) - 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) - Safety in Graph Machine Learning: Threats and Safeguards [84.26643884225834]
社会的利益にもかかわらず、最近の研究はグラフMLモデルの普及に伴う重要な安全性上の懸念を浮き彫りにしている。
安全性を重視した設計が欠如しているため、これらのモデルは信頼性の低い予測を導き、一般化性の低下を示し、データの機密性を侵害することができる。
金融詐欺検出のような高額なシナリオでは、これらの脆弱性は個人と社会の両方を全般的に危険に晒す可能性がある。
論文 参考訳（メタデータ） (2024-05-17T18:11:11Z) - Enabling Privacy-Preserving Cyber Threat Detection with Federated Learning [4.475514208635884]
本研究は, プライバシー保護型サイバー脅威検出のための学習の可能性について, 有効性, ビザンチンレジリエンス, 効率の観点から, 体系的に検証した。
FLトレーニングされた検出モデルは、中央訓練された検出モデルに匹敵する性能が得られることを示す。
現実的な脅威モデルの下では、FLはデータ中毒とモデル中毒の両方の攻撃に対して抵抗性があることが判明した。
論文 参考訳（メタデータ） (2024-04-08T01:16:56Z) - Enhancing Credit Card Fraud Detection A Neural Network and SMOTE Integrated Approach [4.341096233663623]
本研究では、ニューラルネットワーク(NN)とSMOTE(Synthet ic Minority Over-Sampling Technique)を組み合わせて検出性能を向上させる革新的な手法を提案する。
この研究は、クレジットカード取引データに固有の不均衡に対処し、堅牢で正確な不正検出のための技術的進歩に焦点を当てた。
論文 参考訳（メタデータ） (2024-02-27T02:26:04Z) - Transparency and Privacy: The Role of Explainable AI and Federated
Learning in Financial Fraud Detection [0.9831489366502302]
本研究は,これらの課題に対処するために,FL(Federated Learning)とXAI(Explainable AI)を用いた新しいアプローチを提案する。
FLは、金融機関が顧客データを直接共有することなく、不正取引を検出するモデルを協調的に訓練することを可能にする。
XAIは、モデルによってなされた予測が人間の専門家によって理解され解釈され、システムに透明性と信頼のレイヤを追加することを保証します。
論文 参考訳（メタデータ） (2023-12-20T18:26:59Z) - Credit Card Fraud Detection with Subspace Learning-based One-Class
Classification [18.094622095967328]
1クラス分類(OCC)アルゴリズムは、不均衡なデータ分散を扱うのに優れている。
これらのアルゴリズムは、部分空間学習をデータ記述に統合する。
これらのアルゴリズムは、OCCに最適化された低次元の部分空間にデータを変換する。
論文 参考訳（メタデータ） (2023-09-26T12:26:28Z) - The Adversarial Implications of Variable-Time Inference [47.44631666803983]
本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。
我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。
我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
論文 参考訳（メタデータ） (2023-09-05T11:53:17Z)
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。