論文の概要: Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks

• arxiv url: http://arxiv.org/abs/2603.06632v1
• Date: Tue, 24 Feb 2026 05:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.456894
• Title: Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks
• Title（参考訳）: 時間トランザクションネットワークにおける誤り検出のためのリークセーフグラフ機能
• Authors: Hamideh Khaleghpour, Brett McKinney,
• Abstract要約: 本稿では,時間的トランザクションネットワークのための,安全な(因果)グラフ特徴抽出プロトコルを提案する。 我々は、ディディエンス統計、PageRank、HITSハブまたはオーソリティスコア、kコア指標、近隣到達度測定を含む、直接トランザクショングラフを構築し、解釈可能な構造記述子を計算した。 トランザクション属性は依然として支配的な予測信号であるが、グラフ派生機能は補完的な解釈可能性を提供し、リスクコンテキスト分析を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illicit transaction detection is often driven by transaction level attributes however, fraudulent behavior may also manifest through network structure such as central hubs, high flow intermediaries, and coordinated neighborhoods. This paper presents a time respecting, leakage safe (causal) graph feature extraction protocol for temporal transaction networks and evaluates its utility for illicit entity classification. Using the Elliptic dataset, we construct directed transaction graphs and compute interpretable structural descriptors, including degree statistics, PageRank, HITS hub or authority scores, k-core indices, and neighborhood reachability measures. To prevent look ahead bias, we additionally compute causal variants of graph features using only edges observed up to each timestep. A Random Forest classifier trained with strict temporal splits achieves strong discrimination on a held out future test period (ROC-AUC about 0.85, Average Precision about 0.54). Although transaction attributes remain the dominant predictive signal, graph derived features provide complementary interpretability and enable risk context analysis for investigation workflows. We further assess operational utility using Precision at k and evaluate probability reliability via calibration curves and Brier scores, showing that calibrated models yield better aligned probabilities for triage. Overall, the results support causal graph feature extraction as a practical and interpretable augmentation for temporal fraud detection pipelines.
• Abstract（参考訳）: 不正なトランザクション検出は、しばしばトランザクションレベルの属性によって引き起こされるが、不正な振る舞いは中央ハブやハイフローインターミディエート、調整された近所などのネットワーク構造を通しても現れる。 本稿では、時間的トランザクションネットワークのための時間的安全(因果)グラフ特徴抽出プロトコルを提案し、不正なエンティティ分類におけるその有用性を評価する。 楕円型データセットを用いて、ディレクトトランザクショングラフを構築し、次数統計、PageRank、HITSハブまたはオーソリティスコア、kコア指標、近隣到達度測定を含む解釈可能な構造記述子を計算した。 先見バイアスを防止するため,各タイムステップで観測されるエッジのみを用いて,グラフ特徴の因果変異を計算した。 厳密な時間分割で訓練されたランダムフォレスト分類器は、保持された将来のテスト期間(ROC-AUC約0.85、平均精度約0.54)で強い差別を達成する。 トランザクション属性は依然として支配的な予測信号であるが、グラフ派生機能は補完的な解釈可能性を提供し、調査ワークフローのリスクコンテキスト分析を可能にする。 さらに,kにおける精度を用いて操作性を評価し,キャリブレーション曲線とブライアスコアを用いて確率信頼性を評価し,キャリブレーションモデルによりトリアージの整合確率が向上することを示した。 全体としては、時間的不正検出パイプラインの実用的で解釈可能な拡張として、因果グラフの特徴抽出をサポートする。

関連論文リスト

• LROO Rug Pull Detector: A Leakage-Resistant Framework Based on On-Chain and OSINT Signals [1.0382948833881696]
  rug pullはスマートコントラクトベースのエコシステムにおける最も一般的な攻撃の1つです。 本稿では,早期のラグプル検出のためのリーク・アウェア・フレームワークを提案する。 オンチェーンの行動メトリクスと時間的に整合したオープンソースインテリジェンス(OSINT)信号を統合する。
  論文  参考訳（メタデータ） (2026-03-11T21:35:53Z)
• Volatility in Certainty (VC): A Metric for Detecting Adversarial Perturbations During Inference in Neural Network Classifiers [0.5793804025420254]
  ニューラルネットワーク分類器をデプロイする上で、相反する堅牢性は依然として重要な課題である。 本稿では,モデル信頼度における不規則性を定量化するラベルフリー計量であるtextitVolatility in Certainty (VC)について検討する。
  論文  参考訳（メタデータ） (2025-11-14T19:51:04Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Semi-Supervised Bayesian GANs with Log-Signatures for Uncertainty-Aware Credit Card Fraud Detection [0.0]
  本稿では、時系列分類タスクとして定式化されたクレジットカード不正検出のための、新たな生成半教師付きフレームワークを提案する。 我々は、ターゲットデータ拡張のための条件付き生成的適応ネットワーク(GAN)を拡張し、ベイズ推論を統合して予測分布を取得し、不確実性を定量化する。 本手法は,クレジットカード取引データ用シミュレータである BankSim を用いて,ラベル付きサンプルの比率の異なるモデルを用いて評価した。
  論文  参考訳（メタデータ） (2025-08-31T16:57:02Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Robust Graph Representation Learning for Local Corruption Recovery [47.656530383080366]
  この研究は、(局所的に)破損した特徴属性を自動的に検出するグラフ学習スキームを確立する。 検出操作はグラフオートエンコーダを利用するが、これは局所的な腐敗の分布を仮定するものではない。 提案モデルはブラックボックス中毒から頑健なグラフ表現を復元し,優れた性能が得られる。
  論文  参考訳（メタデータ） (2022-02-10T10:06:22Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。