論文の概要: A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions

• arxiv url: http://arxiv.org/abs/2603.14592v1
• Date: Sun, 15 Mar 2026 20:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.906258
• Title: A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions
• Title（参考訳）: 非定常条件下での取引ネットワークにおける金銭的不正検出のための時間的整合性制約付きマルチスケールグラフ学習フレームワーク
• Authors: Yiming Lei, Qiannan Shen, Junhao Song,
• Abstract要約: STC-MixHopは空間的多分解能伝搬と軽量時間整合性モデリングを組み合わせたグラフベースのフレームワークである。 このフレームワークは,厳密な時間分割の下でPaySimデータセット上で評価する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。
• 参考スコア（独自算出の注目度）: 6.8063643637119275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial fraud detection in transaction networks involves modeling sparse anomalies, dynamic patterns, and severe class imbalance in the presence of temporal drift in the data. In real-world transaction systems, a suspicious transaction is rarely isolated: rather, legitimate and suspicious transactions are often connected through accounts, intermediaries or through temporal transaction sequences. Attribute-based or randomly partitioned learning pipelines are therefore insufficient to detect relationally structured fraud. STC-MixHop, a graph-based framework combining spatial multi-resolution propagation with lightweight temporal consistency modeling for anomaly and fraud detection in dynamic transaction networks. It integrates three components: a MixHop-inspired multi-scale neighborhood diffusion encoder a multi-scale neighborhood diffusion MixHop-based encoder for learning structural patterns; a spatial-temporal attention module coupling current and preceding graph snapshots to stabilize representations; and a temporally informed self-supervised pretraining strategy exploiting unlabeled transaction interactions to improve representation quality. We evaluate the framework primarily on the PaySim dataset under strict chronological splits, supplementing the analysis with Porto Seguro and FEMA data to probe cross-domain component behavior. Results show that STC-MixHop is competitive among graph methods and achieves strong screening-oriented recall under highly imbalanced conditions. The experiments also reveal an important boundary condition: when node attributes are highly informative, tabular baselines remain difficult to outperform. Graph structure contributes most clearly where hidden relational dependencies are operationally important. These findings support a stability-focused view of graph learning for financial fraud detection.
• Abstract（参考訳）: トランザクションネットワークにおける金融詐欺検出には、スパース異常、ダイナミックパターン、データに時間的ドリフトが存在する場合の厳しいクラス不均衡をモデル化する。 現実のトランザクションシステムでは、疑わしいトランザクションが分離されることは滅多にない。 そのため、属性ベースまたはランダムに分割された学習パイプラインは、関係的に構造化された不正を検出するには不十分である。 STC-MixHop - 動的トランザクションネットワークにおける空間的多分解能伝搬と異常および不正検出のための軽量時間整合性モデリングを組み合わせたグラフベースのフレームワーク。 MixHopにインスパイアされたマルチスケール近傍拡散エンコーダ、構造パターンを学習するためのMixHopベースの拡散エンコーダ、表現を安定させるために空間的時間的注意モジュール結合電流と先行グラフスナップショット、ラベルのないトランザクションインタラクションを利用した時間的自己教師付き事前学習戦略の3つのコンポーネントを統合する。 厳密な時間分割の下でのPaySimデータセットに基づくフレームワークの評価を行い,Porto SeguroとFEMAデータによる分析を補完し,クロスドメインコンポーネントの振る舞いを探索する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。 ノード属性が高度に情報化されている場合、表のベースラインは性能を上回ることが困難である。 グラフ構造は、隠れたリレーショナル依存関係が運用上重要である場合に最も顕著に寄与します。 これらの知見は、金融詐欺検出のためのグラフ学習の安定性を重視した視点を支持する。

関連論文リスト

• Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2026-02-24T05:04:06Z)
• 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)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• Detecting Multilevel Manipulation from Limit Order Book via Cascaded Contrastive Representation Learning [4.11124360246468]
  スポフィングは最も隠蔽的で詐欺的なTBM戦略の1つである。 これらのパターンは通常、リミット・オーダー・ブックの豊かで階層的な情報の中に隠されている。 ケースケード型LOB表現アーキテクチャと教師付きコントラスト学習を組み合わせた表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-23T16:57:32Z)
• ACT-Tensor: Tensor Completion Framework for Financial Dataset Imputation [2.3404331106562677]
  本稿では,アダプティブ・クラスタベースのテンソルスムージング・テンソル・コンプリート・フレームワーク(ACT-Tensor)を導入する。 ACT-Tensorは、欠落するデータレシスタンスの範囲で、計算精度の点で、最先端のベンチマークを一貫して上回っている。 その結果、ACT-Tensorは価格の誤差を減らすだけでなく、構築されたポートフォリオのリスク調整されたリターンを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2025-08-03T17:28:57Z)
• 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)
• Dynamic Feature Fusion: Combining Global Graph Structures and Local Semantics for Blockchain Fraud Detection [0.7510165488300369]
  本稿では,グラフに基づく表現学習と意味的特徴抽出を組み合わせた動的特徴融合モデルを提案する。 我々は,グラフ構築,時間的特徴強調,テキスト前処理を含む包括的データ処理パイプラインを開発する。 大規模な実世界のブロックチェーンデータセットの実験結果は、我々の手法が既存のベンチマークを精度、F1スコア、リコールメトリクスで上回っていることを示している。
  論文  参考訳（メタデータ） (2025-01-03T09:04:43Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)

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。