論文の概要: Shapley Value-Guided Adaptive Ensemble Learning for Explainable Financial Fraud Detection with U.S. Regulatory Compliance Validation
- arxiv url: http://arxiv.org/abs/2604.14231v1
- Date: Tue, 14 Apr 2026 19:00:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:29.930048
- Title: Shapley Value-Guided Adaptive Ensemble Learning for Explainable Financial Fraud Detection with U.S. Regulatory Compliance Validation
- Title（参考訳）: 米国規制適合性検証による説明可能な財務欠陥検出のための共有価値誘導型適応型アンサンブル学習
- Authors: Mohammad Nasir Uddin, Md Munna Aziz,
- Abstract要約: 金融犯罪は毎年320億ドル以上をアメリカの機関が負担している。
不正検出のための多くのAIツールは、透明で監査可能な説明を提供することができないブラックボックスとして動作する。
本研究は, 忠実度と安定性の面から, 説明の質を徹底的に評価する。
- 参考スコア（独自算出の注目度）: 0.34376560669160394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial crime costs U.S. institutions over $32 billion each year. Although AI tools for fraud detection have become more advanced, their use in real-world systems still faces a major obstacle: many of these models operate as black boxes that cannot provide the transparent, auditable explanations required by regulations such as OCC Bulletin 2011-12 and Federal Reserve SR 11-7. This study makes three main contributions. First, it offers a thorough evaluation of explanation quality across faithfulness (sufficiency and comprehensiveness at k=5, 10, and 15) and stability (Kendall's W across 30 bootstrap samples). XGBoost paired with TreeExplainer achieves near-perfect stability (W=0.9912), while LSTM with DeepExplainer shows weak results (W=0.4962). Second, the paper introduces the SHAP-Guided Adaptive Ensemble (SGAE), which dynamically adjusts per-transaction ensemble weights based on SHAP attribution agreement, achieving the highest AUC-ROC among all tested models (0.8837 held-out; 0.9245 cross-validation). Third, a complete three-architecture evaluation of LSTM, Transformer, and GNN-GraphSAGE on the full 590,540-transaction IEEE-CIS dataset is provided, with GNN-GraphSAGE achieving AUC-ROC 0.9248 and F1=0.6013. All results are mapped directly to OCC, SR 11-7, and BSA-AML regulatory compliance requirements.
- Abstract（参考訳）: 金融犯罪は毎年320億ドル以上をアメリカの機関が負担している。
これらのモデルの多くは、OCC Bulletin 2011-12や連邦準備制度のSR 11-7のような規則で要求される透明で監査可能な説明を提供することができないブラックボックスとして運用されている。
本研究の主な貢献は3つある。
まず、忠実度(k=5, 10, 15)と安定性(30ブートストラップサンプルにわたるケンドールのW)にまたがる説明品質を徹底的に評価する。
TreeExplainerと組み合わせたXGBoostは、ほぼ完全な安定性を達成する(W=0.9912)一方、DeepExplainerのLSTMは弱い結果を示す(W=0.4962)。
第2に、SHAP-Guided Adaptive Ensemble (SGAE)を導入し、SHAP属性合意に基づいてトランザクション単位のアンサンブル重みを動的に調整し、全ての試験モデル(0.8837ホールドアウト、0.9245クロスバリデーション)の中で最高のAUC-ROCを達成する。
第3に、フル590,540トランザクションIEEE-CISデータセット上のLSTM、Transformer、GNN-GraphSAGEの完全な3階層評価を行い、AUC-ROC 0.9248とF1=0.6013を達成する。
すべての結果は、OCC、SR 11-7、BSA-AML規制コンプライアンス要件に直接マップされる。
関連論文リスト
- When Self-Reference Fails to Close: Matrix-Level Dynamics in Large Language Models [0.0]
自己参照的ステートメントとメタ認知的プロンプトは、主要な崩壊関連メトリクスのパラドックス的自己参照よりも安定している。
我々は、NCTRが有限深度変圧器をこれらの問題に集中する力学系へ強制することを提案する。
論文 参考訳（メタデータ） (2026-04-13T23:23:02Z) - Deterministic Fuzzy Triage for Legal Compliance Classification and Evidence Retrieval [0.0]
法律チームはますます、大量の契約上の証拠をトリアージするために機械学習を使用している。
多くのモデルは不透明で非決定論的であり、HIPAAやNERC-CIPのようなフレームワークと整合するのは難しい。
決定論的双対エンコーダと透明なファジィトリアージバンドに基づく簡単な再現可能な代替法について検討する。
論文 参考訳（メタデータ） (2026-03-08T00:31:34Z) - Robust and Real-Time Bangladeshi Currency Recognition: A Dual-Stream MobileNet and EfficientNet Approach [2.3053825622580133]
バングラデシュの新しい紙幣データセットを構築し、制御されたシナリオと実際のシナリオの両方を含む。
我々は、様々な複雑さをカバーし、モデルの一般化を改善するために、公開ベンチマークを含む4つの追加データセットを組み込んだ。
提案したモデルは、制御されたデータセットで97.95%の精度、複雑なバックグラウンドで92.84%、すべてのデータセットを組み合わせれば94.98%の精度が得られる。
論文 参考訳（メタデータ） (2026-01-31T17:37:16Z) - CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。
既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。
機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
論文 参考訳（メタデータ） (2026-01-30T10:33:29Z) - Replayable Financial Agents: A Determinism-Faithfulness Assurance Harness for Tool-Using LLM Agents [0.7699235580548228]
LLMエージェントは、規制監査のリプレイに苦労する: トランザクションフラグ付き決定を同じ入力で再現するように要求された場合、ほとんどのデプロイメントは一貫性のある結果を返すことができません。
本稿では,金融サービスに展開するツール利用エージェントにおけるトラジェクティブ決定性およびエビデンス条件の忠実度を測定するためのフレームワークであるDFAHを紹介する。
論文 参考訳（メタデータ） (2026-01-17T19:47:55Z) - Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
本稿では,マルチラウンド階層的推論を行う長期水平数学エージェントであるIntern-S1-MOを紹介する。
コンパクトメモリをレムマの形で維持することにより、Intern-S1-MOはレムマリッチ推論空間をより自由に探索することができる。
実験の結果、インターンS1-MOはIMO2025の非幾何学的問題で35点中26点を得ることができ、銀メダリストのパフォーマンスに匹敵することがわかった。
論文 参考訳（メタデータ） (2025-12-11T15:26:28Z) - LLM Output Drift: Cross-Provider Validation & Mitigation for Financial Workflows [0.5798758080057375]
非決定論的出力(アウトプットドリフト)は監査性と信頼を損なう。
規制された金融業務に関する5つのモデルアーキテクチャ間のドリフトを定量化する。
この発見は、より大きなモデルがプロダクションデプロイメントに普遍的に優れているという従来の仮定に挑戦する。
論文 参考訳（メタデータ） (2025-11-10T19:54:00Z) - CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。
タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。
我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
論文 参考訳（メタデータ） (2025-11-01T04:37:01Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z)
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。