論文の概要: Machine learning for fraud detection in digital banking: a systematic literature review REVIEW

• arxiv url: http://arxiv.org/abs/2510.05167v1
• Date: Sat, 04 Oct 2025 22:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.878738
• Title: Machine learning for fraud detection in digital banking: a systematic literature review REVIEW
• Title（参考訳）: デジタルバンキングにおける不正検出のための機械学習
• Authors: Md Zahin Hossain George, Md Khorshed Alam, Md Tarek Hasan,
• Abstract要約: 本稿では,デジタルバンキングにおける不正検出における機械学習の役割について検討する。 PRISMAガイドラインに従って、このレビューでは、組織的厳密さと透明性を確保するために、構造化された識別、スクリーニング、適性、包含プロセスを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This systematic literature review examines the role of machine learning in fraud detection within digital banking, synthesizing evidence from 118 peer-reviewed studies and institutional reports. Following the PRISMA guidelines, the review applied a structured identification, screening, eligibility, and inclusion process to ensure methodological rigor and transparency. The findings reveal that supervised learning methods, such as decision trees, logistic regression, and support vector machines, remain the dominant paradigm due to their interpretability and established performance, while unsupervised anomaly detection approaches are increasingly adopted to address novel fraud patterns in highly imbalanced datasets. Deep learning architectures, particularly recurrent and convolutional neural networks, have emerged as transformative tools capable of modeling sequential transaction data and detecting complex fraud typologies, though challenges of interpretability and real-time deployment persist. Hybrid models that combine supervised, unsupervised, and deep learning strategies demonstrate superior adaptability and detection accuracy, highlighting their potential as convergent solutions.
• Abstract（参考訳）: 本稿では,デジタルバンキングにおける不正検出における機械学習の役割を考察し,ピアレビュー118研究と機関報告の証拠を合成する。 PRISMAガイドラインに従って、このレビューでは、組織的厳密さと透明性を確保するために、構造化された識別、スクリーニング、適性、包含プロセスを適用した。 これらの結果から,決定木やロジスティック回帰,サポートベクタマシンなどの教師付き学習手法は,解釈可能性や確立された性能のために依然として主流であり,教師なし異常検出手法は,高度に不均衡なデータセットにおいて,新たな不正パターンに対処するために採用されている。 ディープラーニングアーキテクチャ、特にリカレントと畳み込みニューラルネットワークは、シーケンシャルなトランザクションデータをモデル化し、複雑な不正な型を検出できるトランスフォーメーションツールとして登場したが、解釈可能性やリアルタイムデプロイメントの課題は継続している。 教師付き、教師なし、ディープラーニング戦略を組み合わせたハイブリッドモデルは、優れた適応性と検出精度を示し、収束解としての可能性を強調している。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Towards Reliable Forgetting: A Survey on Machine Unlearning Verification [26.88376128769619]
  本稿では,機械学習の検証手法に関する最初の構造化された調査について述べる。 本稿では,現在の手法を行動検証とパラメトリック検証の2つの主要なカテゴリに分類する分類法を提案する。 基礎となる仮定、強度、限界を調べ、実践的なデプロイメントにおける潜在的な脆弱性を特定します。
  論文  参考訳（メタデータ） (2025-06-18T03:33:59Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [55.914891182214475]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Does Machine Unlearning Truly Remove Model Knowledge? A Framework for Auditing Unlearning in LLMs [58.24692529185971]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• Proactive Fraud Defense: Machine Learning's Evolving Role in Protecting Against Online Fraud [0.0]
  本稿では,不正検出・防止における機械学習の変革的役割について考察する。 膨大なデータセットの処理、複雑な不正パターンの特定、リアルタイム予測の提供における機械学習の強みを強調している。 機械学習が不正検出フレームワークに革命をもたらす可能性を強調し、よりダイナミックで効率的で、さまざまな業界における不正検出の複雑さの増大に対処できる。
  論文  参考訳（メタデータ） (2024-10-26T21:34:28Z)
• Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects [0.33554367023486936]
  本稿では,機械学習を用いたネットワーク侵入検知システム(NIDS)の総合的なレビューを行う。 NIDSにおける既存の研究を批判的に検討し、重要なトレンド、強み、限界を強調した。 我々は、この分野における新たな課題について議論し、より堅牢でレジリエントなNIDSの開発に向けた洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-27T13:27:29Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。