論文の概要: DynBERG: Dynamic BERT-based Graph neural network for financial fraud detection

• arxiv url: http://arxiv.org/abs/2511.00047v1
• Date: Tue, 28 Oct 2025 10:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.538037
• Title: DynBERG: Dynamic BERT-based Graph neural network for financial fraud detection
• Title（参考訳）: DynBERG:財務不正検出のための動的BERTベースのグラフニューラルネットワーク
• Authors: Omkar Kulkarni, Rohitash Chandra,
• Abstract要約: グラフ-BERTとGRU(Gated Recurrent Unit)層を統合した新しいアーキテクチャであるDynBERGを導入する。 主要な暗号通貨市場イベントであるダークマーケットシャットダウン(Dark Market Shutdown)におけるすべてのトランザクションを含む、Bitcoinトランザクションを含むEllipticデータセット上で、当社のモデルを評価します。
• 参考スコア（独自算出の注目度）: 3.8271803328378677
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial fraud detection is critical for maintaining the integrity of financial systems, particularly in decentralised environments such as cryptocurrency networks. Although Graph Convolutional Networks (GCNs) are widely used for financial fraud detection, graph Transformer models such as Graph-BERT are gaining prominence due to their Transformer-based architecture, which mitigates issues such as over-smoothing. Graph-BERT is designed for static graphs and primarily evaluated on citation networks with undirected edges. However, financial transaction networks are inherently dynamic, with evolving structures and directed edges representing the flow of money. To address these challenges, we introduce DynBERG, a novel architecture that integrates Graph-BERT with a Gated Recurrent Unit (GRU) layer to capture temporal evolution over multiple time steps. Additionally, we modify the underlying algorithm to support directed edges, making DynBERG well-suited for dynamic financial transaction analysis. We evaluate our model on the Elliptic dataset, which includes Bitcoin transactions, including all transactions during a major cryptocurrency market event, the Dark Market Shutdown. By assessing DynBERG's resilience before and after this event, we analyse its ability to adapt to significant market shifts that impact transaction behaviours. Our model is benchmarked against state-of-the-art dynamic graph classification approaches, such as EvolveGCN and GCN, demonstrating superior performance, outperforming EvolveGCN before the market shutdown and surpassing GCN after the event. Additionally, an ablation study highlights the critical role of incorporating a time-series deep learning component, showcasing the effectiveness of GRU in modelling the temporal dynamics of financial transactions.
• Abstract（参考訳）: 金融詐欺検出は、金融システムの整合性を維持するために、特に暗号ネットワークのような分散化された環境において重要である。 Graph Convolutional Networks (GCNs) は金融詐欺検出に広く利用されているが、Graph-BERTのようなグラフトランスフォーマーモデルは、過度なスムース化などの問題を緩和するTransformerベースのアーキテクチャによって人気を集めている。 Graph-BERTは静的グラフ用に設計されており、主に非方向エッジを持つ引用ネットワーク上で評価される。 しかし、金融取引ネットワークは本質的に動的であり、金の流れを表す構造や方向付けられたエッジが進化している。 このような課題に対処するために,Graph-BERTとGRU(Gated Recurrent Unit)層を統合した新しいアーキテクチャであるDynBERGを紹介した。 さらに,DynBERGが動的金融トランザクション解析に適するように,その基盤となるアルゴリズムを指向エッジをサポートするように修正する。 主要な暗号通貨市場イベントであるダークマーケットシャットダウン(Dark Market Shutdown)におけるすべてのトランザクションを含む、Bitcoinトランザクションを含むEllipticデータセット上で、当社のモデルを評価します。 このイベント前後でDynBERGのレジリエンスを評価することで、トランザクションの振る舞いに影響を与える大きな市場シフトに対応する能力を分析します。 EvolveGCNやGCNといった最先端の動的グラフ分類手法と比較して,市場閉鎖前のEvolveGCNよりも優れた性能を示し,イベント後のGCNを上回った。 さらに、アブレーション研究は、金融取引の時間的ダイナミクスをモデル化する上で、GRUの有効性を示す、時系列深層学習コンポーネントの導入における重要な役割を強調している。

関連論文リスト

• Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention [2.7002727600755883]
  異種グラフニューラルネットワーク(HGNN)を用いたクレジットカード不正検出手法を提案する。 グラフニューラルネットワークを活用することで、モデルは高次のトランザクション関係をキャプチャする。 このモデルは精度とOC-ROCの両方において顕著な改善を達成している。
  論文  参考訳（メタデータ） (2025-04-11T00:53:53Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Conditional Forecasting of Margin Calls using Dynamic Graph Neural Networks [0.0]
  本稿では,時間的金融ネットワークにおける予測問題に先立って,条件付き$m$-stepを解くための新しい動的グラフニューラルネットワークアーキテクチャを提案する。 我々の研究は、ネットワークのダイナミクスをストレステストの実践にうまく組み込むことで、規制当局や政策立案者にシステム的リスク監視の重要なツールを提供することを実証している。
  論文  参考訳（メタデータ） (2024-10-30T17:55:41Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Temporal Graph Networks for Graph Anomaly Detection in Financial Networks [28.353194998824538]
  本稿では,時間グラフネットワーク(TGN)の財務異常検出への応用について検討する。 我々はTGNの性能を静的グラフネットワーク(GNN)ベースライン、最先端ハイパーグラフニューラルネットワークベースラインと比較する。 以上の結果から,TGNはAUCの指標で他のモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-03-27T07:17:16Z)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Linking Bank Clients using Graph Neural Networks Powered by Rich Transactional Data [2.1169216065483996]
  本稿では,ネットワークのトポロジ構造だけでなく,グラフノードやエッジで利用可能な豊富な時系列データを利用する新しいグラフニューラルネットワークモデルを提案する。 提案手法は既存の手法よりも優れており,リンク予測問題におけるROC AUCスコアの差が大きく,信用スコアの質の向上も可能である。
  論文  参考訳（メタデータ） (2020-01-23T10:02:02Z)

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。