論文の概要: FRAUDGUESS: Spotting and Explaining New Types of Fraud in Million-Scale Financial Data

• arxiv url: http://arxiv.org/abs/2509.15493v2
• Date: Sat, 04 Oct 2025 21:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.695617
• Title: FRAUDGUESS: Spotting and Explaining New Types of Fraud in Million-Scale Financial Data
• Title（参考訳）: FRAUDGUESS:数百万件の財務データに新しいタイプの詐欺を発見・説明
• Authors: Robson L. F. Cordeiro, Meng-Chieh Lee, Christos Faloutsos,
• Abstract要約: 我々はFRAUDGUESSを提案し、新しい種類の詐欺を見つけ出し、我々の意見を支持する専門家に証拠を提供する。 FRAUDGUESSは実生活で使われ、匿名の金融機関に配備されると考えられている。 我々は、FRAUDGUESSが実際に100万の財務データセットで発見した3つの新しい行動を示す。
• 参考スコア（独自算出の注目度）: 16.07352372667229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a set of financial transactions (who buys from whom, when, and for how much), as well as prior information from buyers and sellers, how can we find fraudulent transactions? If we have labels for some transactions for known types of fraud, we can build a classifier. However, we also want to find new types of fraud, still unknown to the domain experts ('Detection'). Moreover, we also want to provide evidence to experts that supports our opinion ('Justification'). In this paper, we propose FRAUDGUESS, to achieve two goals: (a) for 'Detection', it spots new types of fraud as micro-clusters in a carefully designed feature space; (b) for 'Justification', it uses visualization and heatmaps for evidence, as well as an interactive dashboard for deep dives. FRAUDGUESS is used in real life and is currently considered for deployment in an Anonymous Financial Institution (AFI). Thus, we also present the three new behaviors that FRAUDGUESS discovered in a real, million-scale financial dataset. Two of these behaviors are deemed fraudulent or suspicious by domain experts, catching hundreds of fraudulent transactions that would otherwise go un-noticed.
• Abstract（参考訳）: 金融取引のセット(誰から、いつ、どのくらいの金額で購入するか)と、買い手や売り手からの事前情報に加えて、不正取引を見つけるにはどうすればいいのか? 既知の詐欺の取引のラベルがあれば、分類器を作ることができます。 しかし、我々はまた、まだドメインの専門家には知られていない新しい種類の詐欺を見つけたいと思っています(「判断」)。 さらに、私たちの意見を支持する専門家に証拠を提供したい(「正当化」)。 本稿では,2つの目標を達成するためのFRAUDGUESSを提案する。 (a)「検知」の場合、慎重に設計された機能空間において、新しい種類の詐欺をマイクロクラスタとして発見する。 (b)「正当化」では、証拠の可視化とヒートマップ、深層潜水のためのインタラクティブダッシュボードを使用する。 FRAUDGUESSは実生活で使われ、現在は匿名金融機関(AFI)に配備されている。 したがって、FRAUDGUESSが実際に100万の財務データセットで発見した3つの新しい行動も提示する。 これらの行動のうちの2つは、ドメインの専門家によって不正または疑わしいと見なされ、そうでなければ気づかないであろう何百もの不正取引を捕らえる。

関連論文リスト

• Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation [28.745101225936697]
  不正検出のための半教師付きグラフニューラルネットワークを提案する。 具体的には、トランザクションレコードを活用して、時間的トランザクショングラフを構築します。 次に、Gated Temporal Attention Network (GTAN)を介してノード間でメッセージを渡し、トランザクション表現を学習します。
  論文  参考訳（メタデータ） (2024-12-24T08:48:48Z)
• FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
  本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。 提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。 また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T18:33:05Z)
• 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)
• The Importance of Future Information in Credit Card Fraud Detection [3.2465762663605373]
  我々は,「未来」情報を用いた後方不正検出という新たなパラダイムを提案する。 3000万以上のトランザクションを持つ実世界のデータセットでは、通常のLSTMよりも高いパフォーマンスを実現している。 この新たなパラダイムにおける今後の作業は、不正なカードの検出に重大な影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-04-11T17:11:34Z)
• Modeling Users' Behavior Sequences with Hierarchical Explainable Network for Cross-domain Fraud Detection [19.262529179023254]
  本稿では,ユーザの行動系列をモデル化する階層型説明可能ネットワーク(HEN)を提案する。 また,クロスドメイン不正検出問題に対処するための転送フレームワークを提案する。 提案手法は,HENだけでなく,既存モデルにも適用可能な汎用トランスファーフレームワークである。
  論文  参考訳（メタデータ） (2022-01-04T06:37:16Z)
• 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)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• 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。

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。