論文の概要: A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems

• arxiv url: http://arxiv.org/abs/2603.13237v1
• Date: Tue, 17 Feb 2026 10:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.216873
• Title: A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems
• Title（参考訳）: 銀行システムにおけるゼロデイフラッド検出のためのデュアルパス生成フレームワーク
• Abstract要約: 高周波銀行環境は、低遅延詐欺検出と規制説明可能性の間に重要なトレードオフに直面している。 伝統的な規則に基づく差別的モデルは、過度の階級不均衡と歴史的な前例の欠如のために「ゼロデイ」攻撃に苦しむ。 本稿では,オフライン学習からリアルタイムな異常検出を分離するデュアルパス生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-frequency banking environments face a critical trade-off between low-latency fraud detection and the regulatory explainability demanded by GDPR. Traditional rule-based and discriminative models struggle with "zero-day" attacks due to extreme class imbalance and the lack of historical precedents. This paper proposes a Dual-Path Generative Framework that decouples real-time anomaly detection from offline adversarial training. The architecture employs a Variational Autoencoder (VAE) to establish a legitimate transaction manifold based on reconstruction error, ensuring <50ms inference latency. In parallel, an asynchronous Wasserstein GAN with Gradient Penalty (WGAN-GP) synthesizes high-entropy fraudulent scenarios to stress-test the detection boundaries. Crucially, to address the non-differentiability of discrete banking data (e.g., Merchant Category Codes), we integrate a Gumbel-Softmax estimator. Furthermore, we introduce a trigger-based explainability mechanism where SHAP (Shapley Additive Explanations) is activated only for high-uncertainty transactions, reconciling the computational cost of XAI with real-time throughput requirements.
• Abstract（参考訳）: 高周波銀行環境は、低遅延不正検出とGDPRが要求する規制説明可能性との間に重要なトレードオフに直面している。 伝統的な規則に基づく差別的モデルは、過度の階級不均衡と歴史的な前例の欠如のために「ゼロデイ」攻撃に苦しむ。 本稿では,オフライン学習からリアルタイムな異常検出を分離するデュアルパス生成フレームワークを提案する。 このアーキテクチャは、リコンストラクションエラーに基づいた正当なトランザクション多様体を確立するために、変分オートエンコーダ(VAE)を用いており、50msの推論遅延を保証している。 並行して、グラディエントペナルティ(WGAN-GP)を持つ非同期ワッサースタインGANは、高エントロピー不正シナリオを合成し、検出境界をストレステストする。 重要なことに、個別の銀行データ(例えば、Merchant Category Codes)の非微分可能性に対処するために、Gumbel-Softmax推定器を統合する。 さらに,SHAP(Shapley Additive Explanations)を高不確実性トランザクションのみに有効化するトリガベースの説明可能性機構を導入し,XAIの計算コストをリアルタイムスループット要求と整合させる。

関連論文リスト

• From Viral to Void: Multi-Dimensional Behavioral and Contractual Analysis for Rug Pull Identification [2.7875224007687827]
  ラッシュプル詐欺は、極端に低い配備コスト、隠蔽実行、迅速な資金移動、高い検出困難が特徴である。 本稿では,悪意のあるスマートコントラクト設計,オンチェーントランザクション異常,流動性操作,ソーシャルメディア開示といった次元に基づく多次元機能システムを開発する。 実験の結果、このモデルは0.927の精度、F1スコア0.787の精度、AUC-ROC0.952の精度を実現し、従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-08-03T02:34:24Z)
• Semantic Pareto-DQN: A Multi-Objective Reinforcement Learning Framework for Financial Anomaly Detection [0.2864713389096699]
  金融異常検出におけるクラス不均衡を克服する多目的強化学習フレームワークを提案する。 提案手法は, 大規模言語モデルで符号化された, 不均一なトランザクション特徴を結合的な自然言語モデルに合成する。 これは、スカラー化ベースラインよりも優れたマイノリティクラスリコールを実現し、金融異常発見のための取引境界操作摩擦の代替となる。
  論文  参考訳（メタデータ） (2026-07-10T17:39:00Z)
• Provably Secure Agent Guardrail [89.79561918065122]
  既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。 本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:12:41Z)
• Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience [0.0]
  本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
  論文  参考訳（メタデータ） (2026-05-02T02:10:20Z)
• GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
  マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。 バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。 パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:34:21Z)
• Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection [0.0]
  本研究では,不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Learning (DSFL)を提案する。 DSFLはトポロジを動的シャーディングに置き換え、O(N2) から m(N2) への複雑さを減らす インサイダーの脅威を軽減するために,加法的同型コミットメント機構である線形積分タグを導入する。
  論文  参考訳（メタデータ） (2026-04-25T20:49:22Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Scalable and Reliable State-Aware Inference of High-Impact N-k Contingencies [4.588028371034407]
  ACパワーフローやACOPFによる全機能停止組合せの排他的評価は日常的な操作では不可能である。 本稿では,高インパクトな$N!-k$の停止シナリオを直接生成するように設計された,スケーラブルでステートアウェアな並行性推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-10T06:55:59Z)
• Optimistic TEE-Rollups: A Hybrid Architecture for Scalable and Verifiable Generative AI Inference on Blockchain [4.254924788681319]
  我々は制約を調和させるハイブリッド検証プロトコルであるOptimistic TEE-Rollups (OTR)を紹介する。 OTRは集中ベースラインのスループットの99%を達成している。
  論文  参考訳（メタデータ） (2025-12-23T09:16:41Z)
• Ensemble of Precision-Recall Curve (PRC) Classification Trees with Autoencoders [3.060720241524644]
  異常検出は、ネットワークセキュリティ、侵入検出、不正防止といった重要な応用を支えている。 前者に対抗するため、我々は以前にPrecision-Recall Curve(PRC)分類木とそのアンサンブル拡張であるPRC-RF(PRCランダムフォレスト)を導入した。 そこで本研究では,PRC-RFを自動エンコーダと統合するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-06T16:39:22Z)
• HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling [0.0]
  異常な暗号通貨取引は、金融の整合性にリスクをエスカレートさせる。 既存のアプローチは主にモデル中心であり、ポストホックである。 本稿では,データ駆動早期警告フレームワークHyPV-LEADを紹介する。
  論文  参考訳（メタデータ） (2025-09-03T12:23:38Z)
• Detecting Financial Fraud with Hybrid Deep Learning: A Mix-of-Experts Approach to Sequential and Anomalous Patterns [0.0]
  本研究では、Mixture of Experts(MoE)フレームワークとRecurrent Neural Networks(RNN)、Transformer Encoders、Autoencodersを統合したクレジットカード不正検出用ハイブリッドアーキテクチャを提案する。 MoEフレームワークは専門家の予測責任を動的に割り当て、適応的で文脈に敏感な意思決定を可能にする。 提案するハイブリッドシステムは、ますます洗練された詐欺パターンを検出するために、スケーラブルでモジュラーで規制対応のアプローチを提供する。
  論文  参考訳（メタデータ） (2025-04-01T20:47:18Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)

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。