論文の概要: Analyzing the Impact of Credit Card Fraud on Economic Fluctuations of American Households Using an Adaptive Neuro-Fuzzy Inference System

• arxiv url: http://arxiv.org/abs/2509.19363v1
• Date: Thu, 18 Sep 2025 20:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.512387
• Title: Analyzing the Impact of Credit Card Fraud on Economic Fluctuations of American Households Using an Adaptive Neuro-Fuzzy Inference System
• Title（参考訳）: 適応型ニューロファジィ推論システムを用いた米国世帯の経済変動に及ぼすクレジットカード詐欺の影響の分析
• Abstract要約: 拡張ANFISを用いて新しいハイブリッド解析法を提案する。 このモデルは、歴史的トランザクションデータとマクロ経済指標に基づいて離散ウェーブレット変換を行い、局所的な経済ショック信号を生成する。 実験の結果、RMSEは局所神経ファジィモデルや従来のLSTMモデルと比較して17.8%減少した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit card fraud is assuming growing proportions as a major threat to the financial position of American household, leading to unpredictable changes in household economic behavior. To solve this problem, in this paper, a new hybrid analysis method is presented by using the Enhanced ANFIS. The model proposes several advances of the conventional ANFIS framework and employs a multi-resolution wavelet decomposition module and a temporal attention mechanism. The model performs discrete wavelet transformations on historical transaction data and macroeconomic indicators to generate localized economic shock signals. The transformed features are then fed into a deep fuzzy rule library which is based on Takagi-Sugeno fuzzy rules with adaptive Gaussian membership functions. The model proposes a temporal attention encoder that adaptively assigns weights to multi-scale economic behavior patterns, increasing the effectiveness of relevance assessment in the fuzzy inference stage and enhancing the capture of long-term temporal dependencies and anomalies caused by fraudulent activities. The proposed method differs from classical ANFIS which has fixed input-output relations since it integrates fuzzy rule activation with the wavelet basis selection and the temporal correlation weights via a modular training procedure. Experimental results show that the RMSE was reduced by 17.8% compared with local neuro-fuzzy models and conventional LSTM models.
• Abstract（参考訳）: クレジットカード詐欺は、米国の家計の経済的地位に対する大きな脅威として増加傾向にあり、家計の経済行動に予測不可能な変化をもたらすと仮定している。 そこで本研究では,ANFISを用いたハイブリッド解析手法を提案する。 モデルは従来のANFISフレームワークのいくつかの進歩を提案し、マルチレゾリューションウェーブレット分解モジュールと時間的注意機構を採用している。 このモデルは、歴史的トランザクションデータとマクロ経済指標に基づいて離散ウェーブレット変換を行い、局所的な経済ショック信号を生成する。 変換された特徴は、適応ガウス会員関数を持つタカギ・スゲノファジィ規則に基づく深いファジィルールライブラリに入力される。 本モデルでは,マルチスケールの経済行動パターンに重みを適応的に割り当て,ファジィ推論段階における妥当性評価の有効性を高め,不正行為による長期的時間的依存や異常の捕捉を促進させる時間的注意エンコーダを提案する。 提案手法は,ファジィ規則のアクティベーションとウェーブレットベース選択と時間的相関重みを加味することにより,入力出力関係を固定した古典的ANFISとは異なる。 実験の結果、RMSEは局所神経ファジィモデルや従来のLSTMモデルと比較して17.8%減少した。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage [0.0]
  本稿では,Deep Learningの統計的柔軟性と,固定所得モデルにおける厳密な理論的制約の相違を解消する物理インフォームドフレームワークを提案する。 本研究では, 標準生成モデルと非制約統計外挿が, 様々なマクロ経済体制における項構造予測において, 「二重崩壊」 と「厳密な仲裁違反」に悩まされることを実証する。 究極的には、この研究は項構造モデリングのための高度にスケーラブルで数学的に健全な進化的エンジンを提供する。
  論文  参考訳（メタデータ） (2026-05-12T21:21:25Z)
• Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience [0.0]
  本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
  論文  参考訳（メタデータ） (2026-05-02T02:10:20Z)
• Bridging Structured Knowledge and Data: A Unified Framework with Finance Applications [1.2805359127629214]
  我々は、理論的、シミュレートされた、以前に学んだ、あるいはクロスドメインな洞察を柔軟な神経関数近似の微分可能な制約として組み込む統一的な推定フレームワークを開発する。 SKINNは、単一最適化問題において、ニューラルネットワークパラメータと経済的に意味のある構造パラメータを共同で推定する。 価格設定のための実証的な金融アプリケーションでは、SKINNは、特に長期の地平線や高ボラティリティ体制下で、サンプル外のバリュエーションとヘッジパフォーマンスを改善している。
  論文  参考訳（メタデータ） (2026-04-01T14:51:08Z)
• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• Dynamic Decision-Making under Model Misspecification: A Stochastic Stability Approach [17.087471640760885]
  モデルクラスが誤特定された場合に,最もよく用いられるベイズ強化学習アルゴリズムであるトンプソンサンプリングの挙動について検討する。 まず,不特定二本腕ガウス帯状体における後部進化の完全な動的分類について述べる。 次に解析を一般有限モデルクラスに拡張し、統一マルコフフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-02-19T05:14:09Z)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone [0.8283940114367679]
  予測の不確実性の主な原因が時間的履歴依存か空間的伝播依存かは、まだ不明である。 OpenSim-FEBioワークフローを使用して、9つの被験者による試行のデータセットを構築した。 ヒストリーエンコーディングを組み込んだモデルは、大域的精度と空間的整合性において、ベースラインMGNとModMGNを大きく上回った。
  論文  参考訳（メタデータ） (2026-01-13T08:15:57Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
  時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。 本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。 本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T19:23:53Z)
• Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series [0.4369550829556578]
  MTS(DyCAST-Net)における解釈因果発見のための動的スパース因果ネットワークを導入する。 DyCAST-Netは、拡張時間的畳み込みと動的スパースアテンション機構を統合することで因果発見を強化するために設計された新しいアーキテクチャである。 我々は、DyCAST-Netが、TCDF、GCFormer、CausalFormerといった既存のモデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-13T01:03:27Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Hamiltonian Neural Networks for Robust Out-of-Time Credit Scoring [0.5439020425819]
  本稿では,クラス不均衡と時間外予測問題に対処するためにニューラルネットワークを用いた新しいクレジットスコアリング手法を提案する。 我々はハミルトン力学にインスパイアされた特定の損失関数を開発し、信用リスクのダイナミクスをよりよく捉えた。
  論文  参考訳（メタデータ） (2024-10-14T06:08:26Z)
• Spiking Neural Networks with Consistent Mapping Relations Allow High-Accuracy Inference [9.667807887916132]
  スパイクベースのニューロモルフィックハードウェアは、低エネルギー消費と効率的な推論において大きな可能性を証明している。 ディープスパイクニューラルネットワークの直接トレーニングは困難であり、変換ベースの手法では未解決の変換エラーのため、かなりの遅延が必要になる。
  論文  参考訳（メタデータ） (2024-06-08T06:40:00Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Generative Fractional Diffusion Models [53.36835573822926]
  我々は,その基礎となる力学に分数拡散過程を利用する,最初の連続時間スコアベース生成モデルを導入する。 実画像データを用いた評価では,GFDMはFIDが低い値で示されるように,画素幅の多様性と画質の向上を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:53:24Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。