論文の概要: Unsupervised Graph Modeling for Anomaly Detection in Accounting Subject Relationships
- arxiv url: http://arxiv.org/abs/2604.26216v1
- Date: Wed, 29 Apr 2026 01:44:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.216696
- Title: Unsupervised Graph Modeling for Anomaly Detection in Accounting Subject Relationships
- Title（参考訳）: 分析対象関係における異常検出のための教師なしグラフモデリング
- Authors: Yuhan Wang, Ruobing Yan, Zhe Su, Hejing Chen, Ningjing Sang, Yunfei Nie,
- Abstract要約: 本稿では,主観的関連構造を考慮した異常検出の問題に対処する。
グラフニューラルネットワークに基づく構造化モデリングと教師なし判別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）: 6.696927406719471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of anomaly detection in accounting subject association structures, proposing a structured modeling and unsupervised discriminant framework based on graph neural networks. This framework is used to mine stable correspondences between subjects and identify structural deviations from general ledger details and voucher entries. The method first abstracts accounting subjects as graph nodes, and the co-occurrence and debit/credit correspondence of subjects in the same business record are abstracted as weighted edges. The edge weights are characterized by statistical measures such as co-occurrence frequency or amount aggregation, thus forming a period-level accounting subject association graph. In the representation learning stage, a message passing mechanism is used to fuse the node's own attributes and neighborhood context to obtain node embeddings containing structural information. In the anomaly detection stage, the rationality of subject pair connections is estimated through a relation reconstruction decoder, and edge-level anomaly scores are defined based on the degree of deviation in reconstruction probabilities. These scores are then aggregated to obtain node-level risk ranking and local anomaly localization. This framework can simultaneously capture local substructure anomalies and cross-community anomaly connections without relying on anomaly labeling, outputting traceable subject pair risk clues. Comparative experiments demonstrate more stable comprehensive discriminant capabilities and higher top-ranking accuracy.
- Abstract（参考訳）: 本稿では、グラフニューラルネットワークに基づく構造化モデリングと非教師なし識別フレームワークの提案により、対象の関連構造を考慮した異常検出の問題に対処する。
このフレームワークは、被験者間の安定した対応をマイニングし、一般的な台帳の詳細とブーチャーエントリから構造的偏差を識別するために使用される。
本手法は、まず、被会計対象をグラフノードとして抽象化し、同一の営業記録における被会計対象の共起及びデビット/クレディット対応を重み付きエッジとして抽象化する。
エッジウェイトは、共起頻度や量集約などの統計測度によって特徴づけられ、周期レベルの会計対象関連グラフを形成する。
表現学習段階では、メッセージパッシング機構を用いて、ノードの属性と近傍コンテキストを融合させ、構造情報を含むノード埋め込みを得る。
異常検出段階では、関係再構成復号器を介して対象対接続の合理性を推定し、再構成確率の偏差度に基づいてエッジレベルの異常スコアを定義する。
これらのスコアは集約され、ノードレベルのリスクランキングと局所的な異常なローカライゼーションが得られる。
このフレームワークは、異常ラベリングに頼ることなく、局所的なサブ構造異常とコミュニティ間異常接続を同時に捕捉し、トレース可能な対象対リスクヒントを出力する。
比較実験により、より安定した包括的識別能力と上位レベルの精度が示される。
関連論文リスト
- Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。
軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。
広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
論文 参考訳（メタデータ） (2026-04-16T06:40:50Z) - Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers [8.21087649188741]
クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。
本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。
提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
論文 参考訳（メタデータ） (2026-03-13T09:48:20Z) - Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。
MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。
コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
論文 参考訳（メタデータ） (2026-02-15T17:44:32Z) - Topology Identification and Inference over Graphs [61.06365536861156]
グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。
本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-11T00:47:09Z) - Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data [9.871276314615447]
本稿では, 生成モデル, スライドウインドウ時間処理, 決定融合を統合し, 堅牢なイベント検出と分類を実現する新しいフレームワークを提案する。
実験結果は、最先端の精度、機械学習、ディープラーニング、エンベロープベースのベースラインを上回ることを示す。
論文 参考訳（メタデータ） (2025-09-26T18:04:03Z) - GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation [7.287914649294607]
グラフ構造化データの異常検出は本質的に難しい問題である。
グラフ畳み込みネットワーク(GCN)に基づく既存の手法は、しばしば過度にスムーシングに悩まされる。
本稿では,3つの重要なコンポーネントを統合した,新規で総合的な異常評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T15:52:16Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Non-Asymptotic Performance of Social Machine Learning Under Limited Data [45.48644055449902]
本稿では,社会機械学習フレームワークに関連付けられた誤りの確率について検討する。
これは、ラベルのないデータのストリームを分散的に分類する問題に対処する。
論文 参考訳（メタデータ） (2023-06-15T17:42:14Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2022-11-28T12:17:40Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z)
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。