論文の概要: Representation Learning on Large Non-Bipartite Transaction Networks using GraphSAGE

• arxiv url: http://arxiv.org/abs/2509.12255v1
• Date: Fri, 12 Sep 2025 14:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.654988
• Title: Representation Learning on Large Non-Bipartite Transaction Networks using GraphSAGE
• Title（参考訳）: GraphSAGEを用いた大規模非分岐トランザクションネットワークの表現学習
• Authors: Mihir Tare, Clemens Rattasits, Yiming Wu, Euan Wielewski,
• Abstract要約: 本稿では,グラフニューラルネットワークフレームワークであるGraphSAGEの,銀行業務における不均質なトランザクションネットワークへの実践的応用について述べる。 匿名化された顧客および商取引を用いて取引ネットワークを構築し、ノード埋め込みを生成するためにGraphSAGEモデルを訓練する。 私たちの研究は、銀行規模のネットワークへのこのフレームワークの適用性を強調し、インダクティブな能力、スケーラビリティ、解釈可能性を強調します。
• 参考スコア（独自算出の注目度）: 0.9415859226090767
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial institutions increasingly require scalable tools to analyse complex transactional networks, yet traditional graph embedding methods struggle with dynamic, real-world banking data. This paper demonstrates the practical application of GraphSAGE, an inductive Graph Neural Network framework, to non-bipartite heterogeneous transaction networks within a banking context. Unlike transductive approaches, GraphSAGE scales well to large networks and can generalise to unseen nodes which is critical for institutions working with temporally evolving transactional data. We construct a transaction network using anonymised customer and merchant transactions and train a GraphSAGE model to generate node embeddings. Our exploratory work on the embeddings reveals interpretable clusters aligned with geographic and demographic attributes. Additionally, we illustrate their utility in downstream classification tasks by applying them to a money mule detection model where using these embeddings improves the prioritisation of high-risk accounts. Beyond fraud detection, our work highlights the adaptability of this framework to banking-scale networks, emphasising its inductive capability, scalability, and interpretability. This study provides a blueprint for financial organisations to harness graph machine learning for actionable insights in transactional ecosystems.
• Abstract（参考訳）: 金融機関は複雑な取引ネットワークを分析するためのスケーラブルなツールをますます必要としていますが、従来のグラフ埋め込み手法は、動的で現実世界の銀行データに苦労しています。 本稿では,グラフニューラルネットワークフレームワークであるGraphSAGEの,銀行業務における非二元的不均一取引ネットワークへの適用を実証する。 トランスダクティブアプローチとは異なり、GraphSAGEは大規模ネットワークにうまくスケールし、時間的に進化するトランザクションデータを扱う機関にとって重要な未確認ノードに一般化することができる。 匿名化された顧客および商取引を用いて取引ネットワークを構築し、ノード埋め込みを生成するためにGraphSAGEモデルを訓練する。 埋め込みに関する我々の探索研究は、地理的および人口統計学的属性に整合した解釈可能なクラスタを明らかにする。 さらに、これらの埋め込みを用いて高リスクアカウントの優先順位付けを改善する金銭的ミュール検出モデルに適用することにより、下流分類タスクにおけるそれらの有用性を説明する。 不正検出以外にも、当社の研究は、銀行規模のネットワークへのこのフレームワークの適用性を強調し、インダクティブ能力、スケーラビリティ、解釈可能性を強調しています。 この研究は、金融組織にとって、トランザクションエコシステムにおける実行可能な洞察のためにグラフ機械学習を活用するための青写真を提供する。

関連論文リスト

• Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention [2.7002727600755883]
  異種グラフニューラルネットワーク(HGNN)を用いたクレジットカード不正検出手法を提案する。 グラフニューラルネットワークを活用することで、モデルは高次のトランザクション関係をキャプチャする。 このモデルは精度とOC-ROCの両方において顕著な改善を達成している。
  論文  参考訳（メタデータ） (2025-04-11T00:53:53Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Scalable and Weakly Supervised Bank Transaction Classification [0.0]
  本稿では,弱い監督,自然言語処理,深層ニューラルネットワークトレーニングを用いて,銀行取引を分類することを目的とする。 データ前処理、トランザクションテキストの埋め込み、アンカー化、ラベル生成、識別ニューラルネットワークトレーニングを含む、効果的でスケーラブルなエンドツーエンドデータパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-05-28T23:12:12Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• EWS-GCN: Edge Weight-Shared Graph Convolutional Network for Transactional Banking Data [2.1169216065483996]
  取引先間の送金に基づく顧客間の接続情報により、クレジットスコアリングの質が大幅に向上することを示す。 本研究では,新しいグラフ畳み込みニューラルネットワークモデル EWS-GCN を開発し,アテンション機構によるグラフ畳み込みとリカレントニューラルネットワークのアイデアを組み合わせた。
  論文  参考訳（メタデータ） (2020-09-30T12:09:28Z)
• Linking Bank Clients using Graph Neural Networks Powered by Rich Transactional Data [2.1169216065483996]
  本稿では,ネットワークのトポロジ構造だけでなく,グラフノードやエッジで利用可能な豊富な時系列データを利用する新しいグラフニューラルネットワークモデルを提案する。 提案手法は既存の手法よりも優れており,リンク予測問題におけるROC AUCスコアの差が大きく,信用スコアの質の向上も可能である。
  論文  参考訳（メタデータ） (2020-01-23T10:02:02Z)

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。