Fugu-MT 論文翻訳(概要): Explainable Fraud Detection with GNNExplainer and Shapley Values

論文の概要: Explainable Fraud Detection with GNNExplainer and Shapley Values

arxiv url: http://arxiv.org/abs/2509.12262v1
Date: Fri, 12 Sep 2025 20:00:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.660028
Title: Explainable Fraud Detection with GNNExplainer and Shapley Values
Title（参考訳）: GNNExplainerとShapley値を用いた説明可能なフラッド検出
Authors: Ngoc Hieu Dao,
Abstract要約: デジタル決済が頻繁に使われるようになり、金融詐欺のリスクが高まっている。社会と規制機関は、信頼性検証のためにこれらのシステムの透明性の基準を引き上げている。不正調査の実施効率を高めるため、詐欺アナリストは簡潔で理解可能な説明を持つことで利益を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The risk of financial fraud is increasing as digital payments are used more and more frequently. Although the use of artificial intelligence systems for fraud detection is widespread, society and regulators have raised the standards for these systems' transparency for reliability verification purposes. To increase their effectiveness in conducting fraud investigations, fraud analysts also profit from having concise and understandable explanations. To solve these challenges, the paper will concentrate on developing an explainable fraud detector.
Abstract（参考訳）: デジタル決済が頻繁に使われるようになり、金融詐欺のリスクが高まっている。不正検出に人工知能システムを使用することは広く行われているが、社会や規制機関は信頼性検証のためにこれらのシステムの透明性の基準を引き上げている。不正調査の実施効率を高めるため、詐欺アナリストは簡潔で理解可能な説明を持つことで利益を得る。これらの課題を解決するため、本論文では、説明可能な不正検知器の開発に焦点をあてる。

関連論文リスト

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)
RIFF: Inducing Rules for Fraud Detection from Decision Trees [5.640162873635426]
本稿では,決定木から直接設定した低偽陽性率ルールを蒸留するルール誘導アルゴリズムRIFFを提案する。提案実験により,FPRの低いタスクに対して,誘導ルールが元のモデルの性能を維持・改善できることがよく示されている。
論文参考訳（メタデータ） (2024-08-23T11:14:20Z)
SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning [19.774363067972725]
グラフベースの不正検出は、スパムレビューや悪意のあるアカウント検出など、現代の業界シナリオで広く適用されている。これまでの研究は、GNNExplainerのようなポストホックな説明手法を使って、特定のインスタンスの説明を作成しようとしてきた。グラフに基づく自己説明可能な不正検出フレームワークSEFraudを提案する。
論文参考訳（メタデータ） (2024-06-17T10:18:53Z)
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)
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)
Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文参考訳（メタデータ） (2023-01-17T01:46:45Z)
Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。このような定式化は準最適解につながると我々は主張する。我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文参考訳（メタデータ） (2021-12-08T11:30:53Z)
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)
Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking [9.13755431537592]
本稿では,不正警報システムのためのしきい値選択ポリシーを提案する。提案手法は、しきい値選択を逐次決定問題として定式化し、ディープQネットワークに基づく強化学習を用いる。実験結果から, この適応手法は, 不正な損失を低減し, 警報システムの動作効率を向上させることにより, 現在の静的解よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-10-21T15:10:57Z)
DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文参考訳（メタデータ） (2020-06-10T08:20:13Z)

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。