Fugu-MT 論文翻訳(概要): Adversarial Robustness in Financial Machine Learning: Defenses, Economic Impact, and Governance Evidence

論文の概要: Adversarial Robustness in Financial Machine Learning: Defenses, Economic Impact, and Governance Evidence

arxiv url: http://arxiv.org/abs/2512.15780v1
Date: Sun, 14 Dec 2025 20:16:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-19 18:10:31.700497
Title: Adversarial Robustness in Financial Machine Learning: Defenses, Economic Impact, and Governance Evidence
Title（参考訳）: 金融機械学習における敵対的ロバスト性:防衛、経済影響、ガバナンスのエビデンス
Authors: Samruddhi Baviskar,
Abstract要約: 我々は、勾配に基づく攻撃を適用し、差別、校正、金融リスク指標への影響を測定する。その結果,小摂動下での顕著な性能低下と,逆行訓練による部分回復が認められた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We evaluate adversarial robustness in tabular machine learning models used in financial decision making. Using credit scoring and fraud detection data, we apply gradient based attacks and measure impacts on discrimination, calibration, and financial risk metrics. Results show notable performance degradation under small perturbations and partial recovery through adversarial training.
Abstract（参考訳）: 金融意思決定に使用される表型機械学習モデルにおける対角的ロバスト性を評価する。信用スコアと不正検出データを用いて、グラデーションベースの攻撃を適用し、差別、校正、金融リスク指標への影響を測定する。その結果,小摂動下での顕著な性能低下と,逆行訓練による部分回復が認められた。

関連論文リスト

Adversarial Bias: Data Poisoning Attacks on Fairness [48.17618627431355]
AIシステムの公正性を意図的に侵害する研究は比較的少ない。本研究は, 簡便な敵毒対策が, 最大不公平な行動を引き起こすのに十分であることを示す理論的解析である。当社の攻撃は、複数のモデルやデータセットにわたる公正度メトリクスの劣化において、既存の方法よりも大幅に優れています。
論文参考訳（メタデータ） (2025-11-11T15:09:53Z)
Foe for Fraud: Transferable Adversarial Attacks in Credit Card Fraud Detection [1.469672228104042]
クレジットカード詐欺検出は、金融セクターにおける機械学習(ML)の重要な応用である。敵の攻撃は金融業界の安全と安定に重大な脅威をもたらします本稿では,CCFD MLモデルの対向的摂動に対する堅牢性を検討するための総合的枠組みを提案する。
論文参考訳（メタデータ） (2025-08-20T13:23:28Z)
Quantifying the ROI of Cyber Threat Intelligence: A Data-Driven Approach [0.0]
本研究では,サイバー脅威インテリジェンス(Cyber Threat Intelligence)の投資収益を定量化するためのデータ駆動手法を提案する。提案した枠組みは、セキュリティ侵害の確率と関連する損失の深刻度の両方にCTIの複雑な影響を考慮するために、セキュリティ経済学における確立されたモデルを拡張している。
論文参考訳（メタデータ） (2025-07-23T15:54:56Z)
Visualizing Machine Learning Models for Enhanced Financial Decision-Making and Risk Management [0.0]
この研究は、特に銀行業界において、解釈可能性を改善し、予測をサポートするために、機械学習モデルを可視化することがいかに重要であるかを強調する。ビジュアルツールは、パフォーマンスを改善し、革新的な金融モデルの作成をサポートする。
論文参考訳（メタデータ） (2025-02-20T22:10:02Z)
FIMBA: Evaluating the Robustness of AI in Genomics via Feature Importance Adversarial Attacks [0.0]
本稿では、認識された公開ゲノムデータセット上の下流タスクを利用するAIモデルの脆弱性を実証する。我々は、実際のデータを模倣し、モデルの意思決定を混乱させながら、入力変換に焦点を当てた攻撃を展開することによって、モデルの堅牢性を損なう。実験の結果, 精度が低下し, 偽陽性や偽陰性が増加し, モデル性能が低下していることが明らかとなった。
論文参考訳（メタデータ） (2024-01-19T12:04:31Z)
Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文参考訳（メタデータ） (2023-08-22T12:53:09Z)
On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
論文参考訳（メタデータ） (2022-09-28T11:41:38Z)
Empirical study of Machine Learning Classifier Evaluation Metrics behavior in Massively Imbalanced and Noisy data [0.0]
我々は、実世界の不正検出データセットに典型的な人間のアノテーションエラーと極端な不均衡をモデル化するための理論的基盤を開発する。我々は、F1スコアとg平均の組み合わせが、典型的な不均衡不正検出モデル分類における最良の評価指標であることを実証した。
論文参考訳（メタデータ） (2022-08-25T07:30:31Z)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
論文参考訳（メタデータ） (2020-06-15T13:50:23Z)

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。