論文の概要: 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
- arxiv url: http://arxiv.org/abs/2605.04076v1
- Date: Tue, 14 Apr 2026 08:30:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.574599
- Title: 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
- Title（参考訳）: OCC, SR 11-7, CFPB, FinCEN のモデル開発, 検証, 監視ライフサイクルへの適合要件の統合
- Authors: Mohammad Nasir Uddin,
- Abstract要約: 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。
- 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: U.S. financial institutions deploying AI-based fraud detection face a fragmented compliance landscape spanning four regulatory frameworks -- OCC Bulletin 2011-12, SR 11-7, the CFPB AI circular, and FinCEN BSA/SAR requirements -- with no integrated governance life cycle connecting these requirements to model development, validation, and monitoring practice. This paper presents the Regulatory Governance Framework for AI-Driven Financial Fraud Detection (RGF-AFFD), a three-tier governance architecture empirically anchored in a multi-study empirical program. Using the IEEE-CIS dataset (590,540 transactions) and ULB benchmark (284,807 transactions), we benchmark six architectures including an LSTM+XGBoost ensemble, and conduct ablation, temporal drift, SHAP interpretability, and BISG fairness analyses. The LSTM+XGBoost ensemble achieves ROC-AUC of 0.9289 (F1: 0.6360) with a benefit-cost ratio of 6:1. XGBoost demonstrates the strongest temporal stability (delta-AUC = -0.0017 versus -0.0626 for LSTM). The RDT-FG Regulatory Digital Twin meta-model translates metrics into four regulator-specific health scores and a composite Regulatory Fitness Index for continuous compliance monitoring. The RGF-AFFD is the first integrated deployment blueprint to simultaneously satisfy OCC, SR 11-7, CFPB, and FinCEN requirements, supported by a community bank implementation vignette and four evidence-based policy recommendations.
- Abstract（参考訳）: AIベースの不正検出を展開する米国の金融機関は、OCC Bulletin 2011-12、SR 11-7、CFPB AI円形、FinCEN BSA/SAR要件という4つの規制フレームワークにまたがる、断片化されたコンプライアンスの状況に直面している。
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。
IEEE-CISデータセット(590,540トランザクション)とULBベンチマーク(284,807トランザクション)を用いて、LSTM+XGBoostアンサンブルを含む6つのアーキテクチャをベンチマークし、アブレーション、時間的ドリフト、SHAP解釈可能性、BISGフェアネス分析を行った。
LSTM+XGBoost アンサンブルは ROC-AUC の 0.9289 (F1: 0.6360) であり、利益コスト比は 6:1 である。
XGBoostは、最強の時間安定性を示す(デルタ-AUC = -0.0017 対 -0.0626 対 LSTM)。
RDT-FG Regulatory Digital Twinメタモデルは、メトリクスを4つのレギュレーション固有の健康スコアと、継続的コンプライアンス監視のための複合Regulatory Fitness Indexに翻訳する。
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されたデプロイメント青写真であり、コミュニティバンクの実装ヴィグネットと4つのエビデンスベースのポリシーレコメンデーションによって支援されている。
関連論文リスト
- TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - ComplianceNLP: Knowledge-Graph-Augmented RAG for Multi-Framework Regulatory Gap Detection [13.891522069967507]
金融機関は毎年6万件以上の規制イベントを運営している。
業界は2008年の金融危機以来、罰金と決済で3億ドル以上を支払っている。
規制変更を自動的に監視し、構造化された義務を抽出し、コンプライアンスギャップを識別するエンドツーエンドシステムであるComplianceNLPを提案する。
論文 参考訳（メタデータ） (2026-04-26T07:44:50Z) - Explainable Graph Neural Networks for Interbank Contagion Surveillance: A Regulatory-Aligned Framework for the U.S. Banking Sector [0.40611352512781873]
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。
論文 参考訳（メタデータ） (2026-04-14T19:07:28Z) - Shapley Value-Guided Adaptive Ensemble Learning for Explainable Financial Fraud Detection with U.S. Regulatory Compliance Validation [0.34376560669160394]
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。
論文 参考訳（メタデータ） (2026-04-14T19:00:20Z) - UGAF-ITS: A Standards Harmonization Framework and Validation Tool for Multi-Framework AI Governance in Distributed Intelligent Transportation Systems [1.1002771741647328]
UGAF-ITSは、154のソース義務を8つのガバナンスドメインで12の統一されたコントロールに統合する標準調和フレームワークである。
3層運用モデルでは、各制御を車両、エッジ、またはクラウド層に割り当てる。
20バージョンのアーティファクトのエビデンスバックボーンは、3つのフレームワークすべてに1つの監査パッケージをサポートしている。
論文 参考訳（メタデータ） (2026-04-07T09:37:05Z) - A Large Scale Empirical Analysis on the Adherence Gap between Standards and Tools in SBOM [54.38424417079265]
ソフトウェア・ビル・オブ・マテリアル(Software Bill of Materials, SBOM)は、ソフトウェア情報を整理する機械読み取り可能なアーティファクトである。
標準に従って、組織はSBOMの生成と利用のためのツールを開発した。
本稿では,我々の自動評価フレームワークであるSAPを用いて,接着ギャップの大規模2段階解析を行った。
論文 参考訳（メタデータ） (2026-01-09T08:26:05Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - OntoMetric: An Ontology-Guided Framework for Automated ESG Knowledge Graph Construction [4.736397889087109]
OntoMetricは、ESG規制文書を検証済みのAIおよびWeb対応の知識グラフに変換するオントロジーガイダンスフレームワークである。
OntoMetricは65-90%のセマンティック精度と80-90%のスキーマ準拠を実現している。
論文 参考訳（メタデータ） (2025-12-01T05:21:22Z) - CUARewardBench: A Benchmark for Evaluating Reward Models on Computer-using Agent [46.41047559759938]
CUA(Computer-using Agent)は、オペレーティングシステムやソフトウェアインターフェースとの自然なインタラクションを通じてタスクの完了を可能にするエージェントである。
Reward モデルは有望な代替手段を提供するが、CUA 評価におけるその有効性はほとんど未検討である。
CUARewardBenchは4つの重要なコントリビューションから構成される。
論文 参考訳（メタデータ） (2025-10-21T12:53:40Z) - GRPO-CARE: Consistency-Aware Reinforcement Learning for Multimodal Reasoning [53.894789613838654]
我々は、複雑な実世界のビデオにバランスの取れた知覚と推論を必要とするベンチマークであるSEED-Bench-R1を紹介する。
SEED-Bench-R1を用いて、標準GRPOは解の精度を向上する一方で、推論ステップと解の論理的コヒーレンスを57.9%の一貫性で減少させる。
応答の正しさと推論コヒーレンスの両方を明示的な監督なしに最適化する整合性を考慮したRLフレームワークGRPO-CAREを提案する。
論文 参考訳（メタデータ） (2025-06-19T08:49:13Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z)
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。