論文の概要: Generative Dynamic Graph Representation Learning for Conspiracy Spoofing Detection

• arxiv url: http://arxiv.org/abs/2510.05562v1
• Date: Tue, 07 Oct 2025 04:16:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.093665
• Title: Generative Dynamic Graph Representation Learning for Conspiracy Spoofing Detection
• Title（参考訳）: Conspiracy Spoofing Detectionのための動的グラフ表現生成学習
• Authors: Sheng Xiang, Yidong Jiang, Yunting Chen, Dawei Cheng, Guoping Zhao, Changjun Jiang,
• Abstract要約: 金融取引におけるスポット検出は、特に共謀詐欺のような複雑な行動を特定するために重要である。 従来の機械学習アプローチは、主に孤立したノード機能に重点を置いており、多くの場合、相互接続されたノードのより広いコンテキストを見渡している。 本稿では,動的取引行動とノード間の関係をモデル化し,共謀スプーフィング検出のための表現を学習する,生成動的グラフモデル(GDGM)を提案する。
• 参考スコア（独自算出の注目度）: 40.1579842871515
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spoofing detection in financial trading is crucial, especially for identifying complex behaviors such as conspiracy spoofing. Traditional machine-learning approaches primarily focus on isolated node features, often overlooking the broader context of interconnected nodes. Graph-based techniques, particularly Graph Neural Networks (GNNs), have advanced the field by leveraging relational information effectively. However, in real-world spoofing detection datasets, trading behaviors exhibit dynamic, irregular patterns. Existing spoofing detection methods, though effective in some scenarios, struggle to capture the complexity of dynamic and diverse, evolving inter-node relationships. To address these challenges, we propose a novel framework called the Generative Dynamic Graph Model (GDGM), which models dynamic trading behaviors and the relationships among nodes to learn representations for conspiracy spoofing detection. Specifically, our approach incorporates the generative dynamic latent space to capture the temporal patterns and evolving market conditions. Raw trading data is first converted into time-stamped sequences. Then we model trading behaviors using the neural ordinary differential equations and gated recurrent units, to generate the representation incorporating temporal dynamics of spoofing patterns. Furthermore, pseudo-label generation and heterogeneous aggregation techniques are employed to gather relevant information and enhance the detection performance for conspiratorial spoofing behaviors. Experiments conducted on spoofing detection datasets demonstrate that our approach outperforms state-of-the-art models in detection accuracy. Additionally, our spoofing detection system has been successfully deployed in one of the largest global trading markets, further validating the practical applicability and performance of the proposed method.
• Abstract（参考訳）: 金融取引におけるスポット検出は、特に共謀詐欺のような複雑な行動を特定するために重要である。 従来の機械学習アプローチは、主に孤立したノード機能に重点を置いており、多くの場合、相互接続されたノードのより広いコンテキストを見渡している。 グラフベースのテクニック、特にグラフニューラルネットワーク(GNN)は、関係情報を効果的に活用することで分野を進歩させてきた。 しかし、現実世界の密封検出データセットでは、取引行動は動的で不規則なパターンを示す。 既存のスプーフィング検出方法は、いくつかのシナリオでは有効だが、動的で多様で進化するノード間の関係の複雑さを捉えるのに苦労する。 これらの課題に対処するため、我々は、動的取引行動とノード間の関係をモデル化し、共謀スプーフィング検出のための表現を学習する、生成動的グラフモデル(GDGM)と呼ばれる新しいフレームワークを提案する。 具体的には、時間的パターンを捉え、市場環境を進化させるために、生成動的潜在空間を組み込む。 生のトレーディングデータは、最初にタイムスタンプシーケンスに変換される。 次に,ニューラル常微分方程式とゲートリカレント単位を用いて取引挙動をモデル化し,スプーフィングパターンの時間的ダイナミクスを取り入れた表現を生成する。 さらに, 擬似ラベル生成と異種集約技術を用いて, 関連情報を収集し, 補足行動の検出性能を向上させる。 スプーフィング検出データセットの実験により、我々の手法は検出精度において最先端のモデルよりも優れていることが示された。 さらに, 我が国のスプーフィング検出システムは世界最大級の取引市場の一つに展開され, 提案手法の実用性と性能の検証が進んでいる。

関連論文リスト

• A Graph Machine Learning Approach for Detecting Topological Patterns in Transactional Graphs [0.9199488958939334]
  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。
  論文  参考訳（メタデータ） (2025-09-16T06:43:11Z)
• Forgery Guided Learning Strategy with Dual Perception Network for Deepfake Cross-domain Detection [16.00906146901831]
  現在のディープフェイク検出方法は特定のデータセットでうまく機能するが、未知の偽造技術を持つデータセットに適用すると性能が低下する。 本稿では,検出ネットワークが未知のフォージェリ手法に継続的に適応できるように,FGL(Forgery Guided Learning)戦略を提案する。 また、偽トレース間の差異と関係をキャプチャするDual Perception Network(DPNet)を設計する。
  論文  参考訳（メタデータ） (2025-08-14T15:27:21Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• 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 Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
  性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。 注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。 我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2022-10-22T08:21:49Z)
• 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)
• Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
  DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。 本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。 提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-06-18T02:27:19Z)

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。