論文の概要: A Graph Machine Learning Approach for Detecting Topological Patterns in Transactional Graphs
- arxiv url: http://arxiv.org/abs/2509.12730v1
- Date: Tue, 16 Sep 2025 06:43:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.92589
- Title: A Graph Machine Learning Approach for Detecting Topological Patterns in Transactional Graphs
- Title（参考訳）: トランザクショングラフにおけるトポロジパターン検出のためのグラフ機械学習アプローチ
- Authors: Francesco Zola, Jon Ander Medina, Andrea Venturi, Amaia Gil, Raul Orduna,
- Abstract要約: デジタルエコシステムの台頭は、金融セクターを悪用と刑事戦術の進化にさらしている。
従来のルールベースのシステムは、洗練された犯罪行為や調整された犯罪行動を検出するのに必要な適応性に欠けていた。
本稿では,グラフ機械学習とネットワーク解析を統合し,よく知られたトポロジパターンの検出を改善するアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.9199488958939334
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rise of digital ecosystems has exposed the financial sector to evolving abuse and criminal tactics that share operational knowledge and techniques both within and across different environments (fiat-based, crypto-assets, etc.). Traditional rule-based systems lack the adaptability needed to detect sophisticated or coordinated criminal behaviors (patterns), highlighting the need for strategies that analyze actors' interactions to uncover suspicious activities and extract their modus operandi. For this reason, in this work, we propose an approach that integrates graph machine learning and network analysis to improve the detection of well-known topological patterns within transactional graphs. However, a key challenge lies in the limitations of traditional financial datasets, which often provide sparse, unlabeled information that is difficult to use for graph-based pattern analysis. Therefore, we firstly propose a four-step preprocessing framework that involves (i) extracting graph structures, (ii) considering data temporality to manage large node sets, (iii) detecting communities within, and (iv) applying automatic labeling strategies to generate weak ground-truth labels. Then, once the data is processed, Graph Autoencoders are implemented to distinguish among the well-known topological patterns. Specifically, three different GAE variants are implemented and compared in this analysis. Preliminary results show that this pattern-focused, topology-driven method is effective for detecting complex financial crime schemes, offering a promising alternative to conventional rule-based detection systems.
- Abstract（参考訳）: デジタルエコシステムの台頭は、さまざまな環境(ファイトベース、暗号資産など)における運用知識と技術を共有する悪用と刑事戦術の進化に金融セクターをさらけ出している。
従来のルールベースのシステムは、高度なまたは協調された犯罪行動(パターン)を検出するのに必要な適応性に欠けており、不審な行為を解明し、不審な行為を抽出するアクターの相互作用を分析する戦略の必要性を強調している。
そこで本研究では,トランザクショングラフ内のよく知られたトポロジパターンの検出を改善するために,グラフ機械学習とネットワーク解析を統合したアプローチを提案する。
しかし、重要な課題は従来の金融データセットの制限にある。グラフベースのパターン分析では使用が難しい、スパースでラベルのない情報を提供することが多い。
そこで我々はまず,4段階の事前処理フレームワークを提案する。
(i)グラフ構造を抽出すること。
(ii) 大きなノードセットを管理するためのデータ時間性を考える。
三 内部の共同体を検知し、及び
四 弱地中ラベルを生成するための自動ラベリング戦略を適用すること。
次に、データが処理されると、グラフオートエンコーダが実装され、よく知られたトポロジパターンを識別する。
具体的には、3つの異なるGAE変異体が実装され、この分析で比較される。
予備的な結果は、このパターンに着目したトポロジ駆動法が、従来のルールに基づく検出システムに代わる有望な代替手段として、複雑な金融犯罪スキームの検出に有効であることを示している。
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) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - KnowGraph: Knowledge-Enabled Anomaly Detection via Logical Reasoning on Graph Data [13.510494408303536]
KnowGraphは、グラフベースの異常検出を強化するために、ドメイン知識とデータ駆動学習を統合する。
テストでは、KnowGraphはトランスダクティブとインダクティブの両方で、最先端のベースラインを一貫して上回っている。
その結果は、高レベルのグラフベースのセキュリティアプリケーションのためのデータ駆動モデルにドメイン知識を統合する可能性を強調している。
論文 参考訳（メタデータ） (2024-10-10T21:53:33Z) - GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。
第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。
提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-10-25T05:27:45Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - 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) - Temporal graph-based approach for behavioural entity classification [0.0]
本研究では,サイバーセキュリティ領域におけるグラフ構造の可能性を利用するための2段階的アプローチを提案する。
主なアイデアは、ネットワーク分類問題をグラフベースの振る舞い問題に変換することです。
正常実体と攻撃実体の両方の進化を表すことができるこれらのグラフ構造を抽出します。
3つのクラスタリング手法が通常のエンティティに適用され、類似の動作を集約し、不均衡問題を緩和し、ノイズデータを削減する。
論文 参考訳（メタデータ） (2021-05-11T06:13:58Z) - Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。
本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-22T09:50:04Z)
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。