論文の概要: Explainable Graph Neural Networks for Interbank Contagion Surveillance: A Regulatory-Aligned Framework for the U.S. Banking Sector

• arxiv url: http://arxiv.org/abs/2604.14232v1
• Date: Tue, 14 Apr 2026 19:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.930889
• Title: Explainable Graph Neural Networks for Interbank Contagion Surveillance: A Regulatory-Aligned Framework for the U.S. Banking Sector
• Title（参考訳）: 銀行間感染監視のための説明可能なグラフニューラルネットワーク:米国銀行セクターのための規制付きフレームワーク
• Abstract要約: ST-GATフレームワークは、銀行の早期警戒標識を検出するための説明可能なGNNベースのソリューションとして機能するために開発された。 58四半期のスナップショット(2010Q1-2024Q2)で8,103のFDIC保険機関をモデル化する。 このフレームワークは、すべてのGNNアーキテクチャの中で最も高い AUPRC を達成する。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Spatial-Temporal Graph Attention Network (ST-GAT) framework was created to serve as an explainable GNN-based solution for detecting bank distress early warning signs and for conducting macro-prudential surveillance of the interbank system in the United States. The ST-GAT framework models 8,103 FDIC insured institutions across 58 quarterly snapshots (2010Q1-2024Q2). Bilateral exposures were reconstructed from publicly available FDIC Call Reports using maximum entropy estimation to produce a dynamic directed weighted graph. The framework achieves the highest AUPRC among all GNN architectures (0.939 +/- 0.010), trailing only XGBoost (0.944). Ablation analysis confirms the BiLSTM temporal component contributes +0.020 AUPRC; temporal attention weights exhibit a monotonically decreasing pattern consistent with long-run structural vulnerability weighting. Permutation importance identifies ROA (0.309) and NPL Ratio (0.252) as dominant predictors, consistent with post-mortem analyses of the 2023 regional banking crisis. All data are publicly available FDIC Call Reports and FRED series; all code and results are released.
• Abstract（参考訳）: ST-GAT(Spatial-Temporal Graph Attention Network)フレームワークは、銀行の早期警戒標識を検出し、米国内の銀行間システムのマクロ・プルーデンシャル監視を行うための説明可能なGNNベースのソリューションとして開発された。 ST-GATフレームワークは、58の四半期スナップショット(2010Q1-2024Q2)にわたる8,103のFDIC保険制度をモデル化している。 動的指向重み付きグラフを生成するために,最大エントロピー推定を用いたFDICコールレポートからバイラテラル露光を再構成した。 このフレームワークはすべてのGNNアーキテクチャ (0.939 +/- 0.010) の中で最も高い AUPRC を実現し、XGBoost (0.944) に次いでいる。 アブレーション分析により、BiLSTMの時間成分は+0.020 AUPRCに寄与することが確認された。 置換の重要性は、2023年の地域銀行危機の事後分析と一致し、ROA (0.309) と NPL Ratio (0.252) を支配的な予測要因とみなしている。 すべてのデータは FDIC Call Reports と FRED シリーズで公開されている。

関連論文リスト

• Grounded Normative Rule Generation with Structured Search [47.28595196084396]
  基底ノルム規則合成(GNRS)として問題を定式化する。 GNRS-SearchはMarkov Chain Monte Carlo(MCMC)サンプリングを利用して、離散5スロットアンドオーグラフ(AOG)を最適化するフレームワークである。 GNRS-Benchは8つのシーンにまたがる116の制御目標にまたがるベンチマークであり、RealCharterBenchは53のリアルなポリシータスクに隠れたソース節で遷移を評価する。
  論文  参考訳（メタデータ） (2026-08-23T05:43:42Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Privacy-Preserving Federated Temporal Graph Learning with Digital Twin--Guided Adaptive Deception for Cyber-Resilient IoMT [0.6095710009266794]
  本稿では,Advantage Actor-Critic (Federated TGCN-A2C) を用いたFederated Temporal Graph Convolutional Networkを提案する。 このフレームワークは、重み付きF1スコアの0.9948と0.9961で99.48%と99.61%のテスト精度を達成し、25と10のフェデレーションラウンドで収束し、3つの追加攻撃カテゴリをカバーしながらFed-Inforce-Fusionを0.21ポイント上回っている。 SHAP, LIME, Grad-CAM, および反ファクト分析によるホック後の説明責任は、決定が意味論的に意味のあるフローの特徴に根ざしていることを確認し、臨床展開における規制的説明責任をサポートする。
  論文  参考訳（メタデータ） (2026-06-19T15:09:38Z)
• SCAFDS: Edge-Feature Graph Attention for Interbank Fraud Detection with Attribution-Grounded SAR Generation [0.40611352512781873]
  米国の金融システムは毎日約130万の銀行間取引を処理している。 レビューされた文献では,不正共起エッジ機能を用いて,銀行間ネットワーク上での不正伝播をモデル化するシステムはない。 本稿では、7段階統合監視パイプラインであるSCAFDS(Systemic Contagion-Aware Fraud Detection System)を紹介する。
  論文  参考訳（メタデータ） (2026-05-17T21:04:30Z)
• A Regulatory Governance Framework for AI-Driven Financial Fraud Detection in U.S. Banking: Integrating OCC, SR 11-7, CFPB, and FinCEN Compliance Requirements for Model Development, Validation, and Monitoring Lifecycles [0.40611352512781873]
  本稿では,AI-Driven Financial Fraud Detection (RGF-AFFD)のための規制ガバナンスフレームワークを提案する。 これは、マルチスタディな実証プログラムに実証的に固定された3層ガバナンスアーキテクチャである。 RGF-AFFDはOCC、SR 11-7、CFPB、FinCENの要求を同時に満たした最初の統合配置青写真である。
  論文  参考訳（メタデータ） (2026-04-14T08:30:04Z)
• Systematic Evaluation of Single-Cell Foundation Model Interpretability Reveals Attention Captures Co-Expression Rather Than Unique Regulatory Signal [0.0]
  単一セル基礎モデルにおける機械的解釈可能性を評価するための枠組みを提案する。 このフレームワークを scGPT と Geneformer に適用すると、注意パターンが構造化された生体情報を層固有の組織にエンコードしていることが分かる。
  論文  参考訳（メタデータ） (2026-02-19T16:43:12Z)
• Graph-Symbolic Policy Enforcement and Control (G-SPEC): A Neuro-Symbolic Framework for Safe Agentic AI in 5G Autonomous Networks [0.0]
  Graph-Symbolic Policy Enforcement and Control (G-SPEC)は、確率的計画と決定論的検証を制約する神経象徴的なフレームワークである。 G-SPECは安全違反をゼロとし、94.1%の修復成功率を達成し、82.4%のベースラインをはるかに上回っている。 処理オーバーヘッドは142msであり、G-SPECはSMO層演算に有効である。
  論文  参考訳（メタデータ） (2025-12-23T11:27:17Z)
• Crisis-Resilient Portfolio Management via Graph-based Spatio-Temporal Learning [9.3237091894548]
  グラフに基づく時間学習フレームワークCRISP(Crisis-Resilient Investment through S-temporal Patterns)を提案する。 固定トポロジー法とは異なり、CRISPは注意機構を通じてどの関係が重要かを発見する。 これにより、ダウンターン時の利益性を維持するアダプティブなポートフォリオアロケーションが可能になる。
  論文  参考訳（メタデータ） (2025-10-23T06:23:15Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Classification Modeling with RNN-Based, Random Forest, and XGBoost for Imbalanced Data: A Case of Early Crash Detection in ASEAN-5 Stock Markets [0.0]
  本研究は,市場崩壊の頻度が高いためによく見られる不均衡なデータを用いて検討した。 この調査は、ASEAN-5諸国の主要株式市場における2010年から2023年までの日次データを分析している。 様々なRNNアーキテクチャの中で、Simple RNNが最も優れていると指摘している。
  論文  参考訳（メタデータ） (2024-06-12T05:35:28Z)
• A Unified Framework of Graph Information Bottleneck for Robustness and Membership Privacy [43.11374582152925]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データのモデリングにおいて大きな成功を収めている。 GNNは、GNNモデルを騙して望ましい予測をする敵攻撃に対して脆弱である。 本研究では、ロバストかつメンバーシップなプライバシー保護型GNNを開発するための新しい課題について検討する。
  論文  参考訳（メタデータ） (2023-06-14T16:11:00Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Uncertainty-Matching Graph Neural Networks to Defend Against Poisoning Attacks [43.60973654460398]
  グラフニューラルネットワーク(GNN)は、ニューラルネットワークからグラフ構造化データへの一般化である。 GNNは敵の攻撃に弱い、すなわち、構造に対する小さな摂動は、非自明な性能劣化を引き起こす可能性がある。 本稿では,GNNモデルの堅牢性向上を目的とした不確実性マッチングGNN(UM-GNN)を提案する。
  論文  参考訳（メタデータ） (2020-09-30T05:29:42Z)

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。