論文の概要: Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation

• arxiv url: http://arxiv.org/abs/2604.02899v1
• Date: Fri, 03 Apr 2026 09:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.423525
• Title: Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation
• Title（参考訳）: 準時間グラフ表現によるマネーロンダリング取引の抽出
• Authors: Haseeb Tariq, Marwan Hassani,
• Abstract要約: マネーロンダリングは世界中の金融機関にとって永続的な課題である。 従来のマネーロンダリングのアプローチは、主に事前に定義されたリスクベースのルールに依存している。 金融データセットにおけるマネーロンダリング(あるいは不審な)トランザクションを検出するための高度な教師付き学習手法であるExSTraQtを提案する。
• 参考スコア（独自算出の注目度）: 0.17188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Money laundering presents a persistent challenge for financial institutions worldwide, while criminal organizations constantly evolve their tactics to bypass detection systems. Traditional anti-money laundering approaches mainly rely on predefined risk-based rules, leading to resource-intensive investigations and high numbers of false positive alerts. In order to restrict operational costs from exploding, while billions of transactions are being processed every day, financial institutions are investing in more sophisticated mechanisms to improve existing systems. In this paper, we present ExSTraQt (EXtract Suspicious TRAnsactions from Quasi-Temporal graph representation), an advanced supervised learning approach to detect money laundering (or suspicious) transactions in financial datasets. Our proposed framework excels in performance, when compared to the state-of-the-art AML (Anti Money Laundering) detection models. The key strengths of our framework are sheer simplicity, in terms of design and number of parameters; and scalability, in terms of the computing and memory requirements. We evaluated our framework on transaction-level detection accuracy using a real dataset; and a set of synthetic financial transaction datasets. We consistently achieve an uplift in the F1 score for most datasets, up to 1% for the real dataset; and more than 8% for one of the synthetic datasets. We also claim that our framework could seamlessly complement existing AML detection systems in banks. Our code and datasets are available at https://github.com/mhaseebtariq/exstraqt.
• Abstract（参考訳）: マネーロンダリングは世界中の金融機関にとって永続的な課題であり、犯罪組織は検知システムをバイパスするために戦術を常に進化させる。 従来のマネーロンダリングのアプローチは、主に事前に定義されたリスクベースのルールに依存しており、リソース集約的な調査と偽陽性の警告の多さにつながる。 運用コストの爆発を抑制するため、数十億件の取引が毎日処理されている一方で、金融機関は既存のシステムを改善するためのより高度なメカニズムに投資している。 本稿では,金融データのマネーロンダリング(不審な)取引を検出するための高度な教師付き学習手法であるExSTraQtを提案する。 提案するフレームワークは,最先端のAML(Anti Money Laundering)検出モデルと比較して,性能が優れている。 私たちのフレームワークの主な強みは、設計とパラメータの数という点で非常に単純で、コンピューティングとメモリの要求という点でスケーラビリティです。 我々は、実際のデータセットと一連の合成金融取引データセットを用いて、トランザクションレベルの検出精度に関する枠組みを評価した。 ほとんどのデータセットに対するF1スコアの上昇、実際のデータセットに対する1%、合成データセットの1つに対する8%以上を一貫して達成しています。 また、我々のフレームワークは銀行の既存のAML検出システムをシームレスに補完できると主張している。 私たちのコードとデータセットはhttps://github.com/mhaseebtariq/exstraqt.comで公開されています。

関連論文リスト

• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• AMLgentex: Mobilizing Data-Driven Research to Combat Money Laundering [1.6830247282478483]
  マネーロンダリングは、不正資金を合法経済に移すことによって組織犯罪を可能にする。 ラダーダラーは監視を逃れる 確認されたケースは稀で 組織はグローバル取引ネットワークの 断片しか見ていない
  論文  参考訳（メタデータ） (2025-06-03T15:28:09Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Towards Collaborative Anti-Money Laundering Among Financial Institutions [15.671365710671063]
  ルールベースの手法が最初に導入され、現在でも現在の検知システムで広く使われている。 実際には、マネーロンダリングは通常複数の金融機関にまたがる。 複数の施設におけるマネーロンダリング対策を支援するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T10:22:55Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• A Time-Frequency based Suspicious Activity Detection for Anti-Money Laundering [0.0]
  マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入するために使う重要なメカニズムである。 これらの機関の現在のシステムのほとんどはルールベースであり、非効率である。 本稿では、金融取引の2次元表現を利用した時間周波数分析に基づく新しい特徴セットを提案する。
  論文  参考訳（メタデータ） (2020-11-17T08:01:50Z)

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。