論文の概要: ATM-GAD: Adaptive Temporal Motif Graph Anomaly Detection for Financial Transaction Networks

• arxiv url: http://arxiv.org/abs/2508.20829v1
• Date: Thu, 28 Aug 2025 14:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.44842
• Title: ATM-GAD: Adaptive Temporal Motif Graph Anomaly Detection for Financial Transaction Networks
• Title（参考訳）: ATM-GAD:金融取引ネットワークにおける適応型時間モチーフグラフ異常検出
• Authors: Zeyue Zhang, Lin Song, Erkang Bao, Xiaoling Lv, Xinyue Wang,
• Abstract要約: ATM-GADは、財務異常検出に時間的モチーフを利用する適応型グラフニューラルネットワークである。 4つの実世界のデータセットの実験では、ATM-GADは7つの強い異常検出ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.306331938380788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial fraud detection is essential to safeguard billions of dollars, yet the intertwined entities and fast-changing transaction behaviors in modern financial systems routinely defeat conventional machine learning models. Recent graph-based detectors make headway by representing transactions as networks, but they still overlook two fraud hallmarks rooted in time: (1) temporal motifs--recurring, telltale subgraphs that reveal suspicious money flows as they unfold--and (2) account-specific intervals of anomalous activity, when fraud surfaces only in short bursts unique to each entity. To exploit both signals, we introduce ATM-GAD, an adaptive graph neural network that leverages temporal motifs for financial anomaly detection. A Temporal Motif Extractor condenses each account's transaction history into the most informative motifs, preserving both topology and temporal patterns. These motifs are then analyzed by dual-attention blocks: IntraA reasons over interactions within a single motif, while InterA aggregates evidence across motifs to expose multi-step fraud schemes. In parallel, a differentiable Adaptive Time-Window Learner tailors the observation window for every node, allowing the model to focus precisely on the most revealing time slices. Experiments on four real-world datasets show that ATM-GAD consistently outperforms seven strong anomaly-detection baselines, uncovering fraud patterns missed by earlier methods.
• Abstract（参考訳）: 金融詐欺検出は何十億ドルもの資金を守るのに不可欠だが、現代の金融システムにおける絡み合ったエンティティと高速に変化する取引行動は、従来の機械学習モデルに日常的に打ち勝つ。 近年のグラフベースの検知器は,取引をネットワークとして表現することで方向転換を図っているが,時間的モチーフ(時間的モチーフ)と不審な金銭フロー(不審な金銭フロー)のサブグラフ(時間的モチーフ)の2つを見落としている。 両信号を利用するために,金融異常検出に時間的モチーフを利用する適応型グラフニューラルネットワークATM-GADを導入する。 時間的モチーフエクストラクタは、各アカウントのトランザクション履歴を最も情報的なモチーフに凝縮し、トポロジと時間的パターンの両方を保存する。 これらのモチーフは、二重アテンションブロックによって分析される: 単一のモチーフ内の相互作用よりも、イントラAは、複数のステップの詐欺スキームを公開するために、モチーフ全体に証拠を集約する。 並行して、微分可能なAdaptive Time-Window Learnerは、各ノードの観測ウィンドウを調整し、最も明らかな時間スライスに正確にフォーカスすることができる。 4つの実世界のデータセットの実験では、ATM-GADは7つの強い異常検出ベースラインを一貫して上回り、以前の手法で見逃された不正パターンを明らかにする。

関連論文リスト

• Advanced fraud detection using machine learning models: enhancing financial transaction security [0.3370543514515051]
  本研究では、現実世界のデータを用いて、クレジットカード取引異常や不正を検知するエンドツーエンドで機能豊富な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-12T15:59:25Z)
• Effective High-order Graph Representation Learning for Credit Card Fraud Detection [11.174026504498931]
  詐欺師は、いくつかの良心的なユーザーを通して合法的な取引を使用して、反詐欺検出を回避して犯罪を偽装することが多い。 既存のグラフニューラルネットワーク(GNN)モデルは、カモフラージュされた間接的マルチホップトランザクションの学習機能に苦慮している。 本稿では,多層アグリゲーションプロセスにおける過剰ノイズの回避を目的とした,新しい高次グラフ表現学習モデル(HOGRL)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T13:59:46Z)
• TFLAG:Towards Practical APT Detection via Deviation-Aware Learning on Temporal Provenance Graph [5.3620586848260015]
  Advanced Persistent Threat (APT) はますます複雑化し、隠蔽されている。 近年の研究では、証明グラフから詳細な情報を抽出するグラフ学習技術が取り入れられている。 本稿では,高度な異常検出フレームワークであるTFLAGを紹介する。
  論文  参考訳（メタデータ） (2025-01-13T01:08:06Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• 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)
• Temporal Motifs for Financial Networks: A Study on Mercari, JPMC, and Venmo Platforms [2.696098750048164]
  本稿では,Mercuriでの取引,J.P. Morgan Chaseが生み出した合成ネットワークでの支払い,Venmoユーザ間の支払いと友情の3つのユニークな時間的金融ネットワークについて検討する。 友情の予測では、時相のモチーフはジャカードやアダム・アダル測度のような将軍よりも良い結果をもたらす。 また、ベンダーを高い精度で識別し、時間サイクルのような稀なモチーフで興味深いパターンを観察することができます。
  論文  参考訳（メタデータ） (2023-01-18T21:22:57Z)

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。