論文の概要: Synthetic Pattern Generation and Detection of Financial Activities using Graph Autoencoders

• arxiv url: http://arxiv.org/abs/2601.21446v1
• Date: Thu, 29 Jan 2026 09:25:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.695422
• Title: Synthetic Pattern Generation and Detection of Financial Activities using Graph Autoencoders
• Title（参考訳）: グラフオートエンコーダを用いた合成パターン生成と財務活動の検出
• Authors: Francesco Zola, Lucia Muñoz, Andrea Venturi, Amaia Gil,
• Abstract要約: 不正な金融活動は、しばしばトランザクションネットワークにおける繰り返しトポロジカルなパターンを通して現れます。 グラフオートエンコーダ (GAE) が, 合成データによるマネーロンダリング操作を模倣するトポロジカルパターンを効果的に学習し, 識別できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.9869634509510014
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Illicit financial activities such as money laundering often manifest through recurrent topological patterns in transaction networks. Detecting these patterns automatically remains challenging due to the scarcity of labeled real-world data and strict privacy constraints. To address this, we investigate whether Graph Autoencoders (GAEs) can effectively learn and distinguish topological patterns that mimic money laundering operations when trained on synthetic data. The analysis consists of two phases: (i) data generation, where synthetic samples are created for seven well-known illicit activity patterns using parametrized generators that preserve structural consistency while introducing realistic variability; and (ii) model training and validation, where separate GAEs are trained on each pattern without explicit labels, relying solely on reconstruction error as an indicator of learned structure. We compare three GAE implementations based on three distinct convolutional layers: Graph Convolutional (GAE-GCN), GraphSAGE (GAE-SAGE), and Graph Attention Network (GAE-GAT). Experimental results show that GAE-GCN achieves the most consistent reconstruction performance across patterns, while GAE-SAGE and GAE-GAT exhibit competitive results only in few specific patterns. These findings suggest that graph-based representation learning on synthetic data provides a viable path toward developing AI-driven tools for detecting illicit behaviors, overcoming the limitations of financial datasets.
• Abstract（参考訳）: マネーロンダリングのような不正な金融活動は、しばしばトランザクションネットワークにおける反復的なトポロジカルパターンを通して現れます。 これらのパターンを自動的に検出することは、ラベル付き現実世界データの不足と厳格なプライバシー制約のため、依然として難しい。 これを解決するために,グラフオートエンコーダ(GAE)が,合成データに基づいてトレーニングした資金洗浄操作を模倣するトポロジカルパターンを効果的に学習し,識別できるかどうかを検討する。 分析は2つの段階から構成される。 一 現実的な変動性を導入しつつ構造的整合性を維持するパラメタライズドジェネレータを用いて、よく知られた7つの不正活動パターンのための合成サンプルを作成するデータ生成 (II)モデルトレーニングと検証では,個別のGAEを明示的なラベルなしで各パターンでトレーニングし,学習構造の指標として再構成誤差のみに依存する。 グラフ畳み込み(GAE-GCN)、グラフSAGE(GAE-SAGE)、グラフ注意ネットワーク(GAE-GAT)の3つの異なる畳み込み層に基づくGAE実装を比較した。 実験の結果,GAE-GCNはパターン間で最も一貫した再構成性能を示し,GAE-SAGEとGAE-GATは特定のパターンでのみ競合する結果を示した。 これらの結果は、グラフに基づく合成データによる表現学習が、不正な行動を検出するAI駆動ツールの開発に有効な道筋を提供し、財務データセットの限界を克服していることを示唆している。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• 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)
• CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision [11.139587480845144]
  グラフ異常検出(GAD)のためのグラフニューラルネットワーク(GNN)を学習するフレームワークであるコンテキストリファクタリングコントラスト(CRoC)を提案する。 CRoCは、GAD固有のクラス不均衡を利用して、ラベル付きおよび豊富なラベル付きデータを活用する。 トレーニングの段階では、CRoCは対照的な学習パラダイムとさらに統合されている。これにより、GNNはトレーニング中にラベルのないデータを効果的に活用し、よりリッチでより離散的なノードの埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2025-08-17T08:05:17Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)

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。