論文の概要: Improving Credit Card Fraud Detection through Transformer-Enhanced GAN Oversampling

• arxiv url: http://arxiv.org/abs/2509.19032v2
• Date: Wed, 24 Sep 2025 07:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 14:09:11.255569
• Title: Improving Credit Card Fraud Detection through Transformer-Enhanced GAN Oversampling
• Title（参考訳）: 変圧器強化GANオーバサンプリングによるクレジットカード不正検出の改善
• Authors: Kashaf Ul Emaan,
• Abstract要約: 我々は,Transformerエンコーダブロックを備えたGAN(Generative Adversarial Network)を用いて,現実的な不正取引サンプルを生成する。 GANアーキテクチャは現実的なジェネレータの訓練を可能にし、Transformerはモデルが自己注意によってリッチな機能インタラクションを学習することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of credit card fraud is an acute issue of financial security because transaction datasets are highly lopsided, with fraud cases being only a drop in the ocean. Balancing datasets using the most popular methods of traditional oversampling such as the Synthetic Minority Oversampling Technique (SMOTE) generally create simplistic synthetic samples that are not readily applicable to complex fraud patterns. Recent industry advances that include Conditional Tabular Generative Adversarial Networks (CTGAN) and Tabular Variational Autoencoders (TVAE) have demonstrated increased efficiency in tabular synthesis, yet all these models still exhibit issues with high-dimensional dependence modelling. Now we will present our hybrid approach where we use a Generative Adversarial Network (GAN) with a Transformer encoder block to produce realistic fraudulent transactions samples. The GAN architecture allows training realistic generators adversarial, and the Transformer allows the model to learn rich feature interactions by self-attention. Such a hybrid strategy overcomes the limitations of SMOTE, CTGAN, and TVAE by producing a variety of high-quality synthetic minority classes samples. We test our algorithm on the publicly-available Credit Card Fraud Detection dataset and compare it to conventional and generative resampling strategies with a variety of classifiers, such as Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM). Findings indicate that our Transformer-based GAN shows substantial gains in Recall, F1-score and Area Under the Receiver Operating Characteristic Curve (AUC), which indicates that it is effective in overcoming the severe class imbalance inherent in the task of fraud detection.
• Abstract（参考訳）: クレジットカード詐欺の検出は、取引データセットが極めて根強いため、金融セキュリティの深刻な問題である。 SMOTE(Synthetic Minority Oversampling Technique)のような一般的なオーバーサンプリング手法を用いたデータセットのバランシングは、一般的に複雑な詐欺パターンに容易に適用できない単純な合成サンプルを生成する。 近年,CTGAN (Conditional Tabular Generative Adversarial Networks) やTVAE (Tabular Variational Autoencoders) といった産業の進歩により,表層合成の効率が向上した。 今回我々は,GAN(Generative Adversarial Network)とTransformerエンコーダブロックを併用して,現実的な不正取引サンプルを生成するハイブリッドアプローチを提案する。 GANアーキテクチャは現実的なジェネレータの訓練を可能にし、Transformerはモデルが自己注意によってリッチな機能インタラクションを学習することを可能にする。 このようなハイブリッド戦略は、SMOTE、CTGAN、TVAEの制限を克服し、様々な高品質な合成マイノリティクラスを作製する。 本アルゴリズムは,利用可能であるクレジットカード不正検出データセットを用いてテストし,ロジスティック回帰(LR),ランダムフォレスト(RF),エクストリームグラディエントブースティング(XGBoost),サポートベクトルマシン(SVM)といった,従来および生成的再サンプリング戦略と比較する。 その結果,我々のトランスフォーマーをベースとしたGANは,リコール,F1スコア,受信者動作特性曲線(AUC)の領域においてかなりの増加を示し,不正検出作業に係わる重大クラス不均衡を克服する上で有効であることが示唆された。

関連論文リスト

• Credit Card Fraud Detection Using Advanced Transformer Model [15.34892016767672]
  本研究は、より堅牢で正確な不正検出のための最新のTransformerモデルの革新的な応用に焦点を当てる。 データソースを慎重に処理し、データセットのバランスをとり、データの分散性の問題に対処しました。 我々は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ニューラルネットワーク(Neural Network)、ロジスティック回帰(Logistic Regression)など、広く採用されているいくつかのモデルと性能比較を行った。
  論文  参考訳（メタデータ） (2024-06-06T04:12:57Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• 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)
• ATM Fraud Detection using Streaming Data Analytics [3.4543720783285052]
  本研究では,静的およびストリーミングの文脈でATMの不正検出を行う手法を提案する。 どちらの文脈でも、RFは最高のモデルであることが判明した。 また、RFは次の最高の性能モデルよりも統計的に有意であることが実証的に証明されている。
  論文  参考訳（メタデータ） (2023-03-08T23:40:18Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)

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。