論文の概要: Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization

• arxiv url: http://arxiv.org/abs/2605.12782v1
• Date: Tue, 12 May 2026 21:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.705006
• Title: Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization
• Title（参考訳）: Calibrated Risk Scoring と Structure Regularization を用いたグラフベースファイナンシャルフラッド検出
• Authors: Yunfei Nie, Jiawei Wang, Ruobing Yan, Yuhan Wang, Zouxiaowei Ma, Yilun Wu,
• Abstract要約: 本稿では,金融取引不正防止のためのグラフニューラルネットワーク表現学習とリスク識別フレームワークを提案する。 トランザクションレコードとID情報をノード属性に統合し、共有属性と相互作用一貫性に基づいたトランザクショングラフを構築する。 実験は、公開されている金融トランザクションデータセット上で実施される。
• 参考スコア（独自算出の注目度）: 8.94945137673605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial transaction fraud prevention faces challenges such as complex relationship structures, concealed behavioral patterns, and dynamically changing data distribution. Discrimination models relying solely on independent sample features are insufficient to fully characterize the risks of group collaboration and chain transfers within transaction networks. This paper proposes a graph neural network representation learning and risk discrimination framework for financial transaction fraud prevention. It integrates transaction records and identity information into node attributes and constructs a transaction graph based on shared attributes and interaction consistency to explicitly model inter-transaction relationships. In model design, a multi-layer message passing mechanism is employed to aggregate neighborhood information, learn node embedding representations containing structural context semantics, and output transaction-level fraud probability and risk scores through a lightweight risk discrimination head. A weighted supervision objective is introduced to mitigate training bias caused by class imbalance, and structural consistency regularization constraints are combined to suppress the impact of noisy edges on representation drift, thereby improving the stability and usability of risk characterization. Experiments are conducted on a publicly available financial transaction dataset, comparing various methods in the same direction and comprehensively evaluating them under a unified evaluation protocol. The results show that the proposed method outperforms other methods in risk ranking and probability calibration quality, validating the effectiveness of graph structure modeling and representation learning collaboration in financial transaction fraud prevention.
• Abstract（参考訳）: 金融取引不正防止は、複雑な関係構造、隠れた行動パターン、データ分散の動的変更といった課題に直面している。 独立したサンプル特徴のみに依存する識別モデルは、トランザクションネットワーク内のグループコラボレーションやチェーン転送のリスクを完全に特徴づけるには不十分である。 本稿では,金融取引不正防止のためのグラフニューラルネットワーク表現学習とリスク識別フレームワークを提案する。 トランザクションレコードとID情報をノード属性に統合し、共有属性と相互作用一貫性に基づいてトランザクショングラフを構築し、トランザクション間の関係を明示的にモデル化する。 モデル設計では、近隣情報を集約し、構造的コンテキスト意味を含むノード埋め込み表現を学習し、軽量なリスク識別ヘッドを介してトランザクションレベルの不正確率とリスクスコアを出力する多層メッセージパッシング機構を用いる。 クラス不均衡によるトレーニングバイアスを軽減するために重み付けされた監視目標を導入し、構造整合性規則化制約を組み合わせ、ノイズエッジが表現ドリフトに与える影響を抑制することにより、リスクキャラクタリゼーションの安定性とユーザビリティを向上させる。 実験は、利用可能な金融取引データセット上で実施され、様々な手法を同じ方向に比較し、それらを統一された評価プロトコルで包括的に評価する。 提案手法はリスクランキングと確率校正品質の他の手法よりも優れており,金融取引不正防止におけるグラフ構造モデリングと表現学習協調の有効性が検証された。

関連論文リスト

• Unsupervised Graph Modeling for Anomaly Detection in Accounting Subject Relationships [6.696927406719471]
  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。
  論文  参考訳（メタデータ） (2026-04-29T01:44:43Z)
• A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions [6.8063643637119275]
  STC-MixHopは空間的多分解能伝搬と軽量時間整合性モデリングを組み合わせたグラフベースのフレームワークである。 このフレームワークは,厳密な時間分割の下でPaySimデータセット上で評価する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。
  論文  参考訳（メタデータ） (2026-03-15T20:30:02Z)
• Regulatory Graphs and GenAI for Real-Time Transaction Monitoring and Compliance Explanation in Banking [0.0]
  本稿では,グラフに基づくモデリング,物語フィールドの埋め込み,生成的説明を統合したリアルタイムトランザクション監視フレームワークを提案する。 このシステムは動的トランザクショングラフを構築し、構造的特徴と文脈的特徴を抽出し、グラフニューラルネットワークを用いて不審な振る舞いを分類する。 シミュレーションデータを用いた実験により, 98.2%のF1スコア, 97.8%の精度, 97.0%のリコールが得られた。
  論文  参考訳（メタデータ） (2025-06-01T17:34:57Z)
• Dynamic Feature Fusion: Combining Global Graph Structures and Local Semantics for Blockchain Fraud Detection [0.7510165488300369]
  本稿では,グラフに基づく表現学習と意味的特徴抽出を組み合わせた動的特徴融合モデルを提案する。 我々は,グラフ構築,時間的特徴強調,テキスト前処理を含む包括的データ処理パイプラインを開発する。 大規模な実世界のブロックチェーンデータセットの実験結果は、我々の手法が既存のベンチマークを精度、F1スコア、リコールメトリクスで上回っていることを示している。
  論文  参考訳（メタデータ） (2025-01-03T09:04:43Z)
• Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
  本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。 提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。 この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-10-05T20:49:05Z)
• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。