論文の概要: An Efficient Machine Learning-based Framework for Detection and Prevention of Frauds in Telecom Networks
- arxiv url: http://arxiv.org/abs/2605.17245v1
- Date: Sun, 17 May 2026 04:03:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.800606
- Title: An Efficient Machine Learning-based Framework for Detection and Prevention of Frauds in Telecom Networks
- Title（参考訳）: テレコムネットワークにおけるフラッドの検出・防止のための機械学習に基づく効率的なフレームワーク
- Authors: Praveen Hegde, Mishal Shah,
- Abstract要約: 本稿では,通信ネットワークにおける不正検出のためのAI駆動モデルの性能評価を行う。
Telecom CDRデータセットには、詐欺事件8,830件を含む17の属性を持つ101,174件の顧客記録が含まれている。
RFの精度は99.9%、精度は99.9%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Telecommunication fraud is an acute problem that leads to substantial material losses and compromises the reliability of telecom systems worldwide. Only effective and efficient detection mechanisms can help to deal with these threats, though there are certain shifts in the approaches to fraud detection. This paper evaluates the performance of AI-driven models for fraud detection in telecommunication networks using Call Detail Record (CDR) datasets. This study focuses on fraud detection in telecom networks using the Telecom CDR dataset, which contains 101,174 customer records with 17 attributes, including 8,830 fraud cases. In feature preprocessing, missing values were dealt with, followed by data scaling using Min-Max scaling and data balancing using the SMOTE technique. The dataset was trained for predictive analysis using Random Forest (RF) and XGBoost models. F1-score, ROC AUC, recall, accuracy, time, and precision were used as indicators with which to compare performance of the two models. RF recorded a high level of accuracy at 99.9% while XGBoost at 99.7%. Findings show that the suggested framework successfully detects fraud with few misclassifications. Several machine learning models were evaluated and contrasted, such as RF, XGBoost, DBSCAN, RoBERTa, and K-means. Among all the models, RF was seen to give the highest performance with an accuracy of 99.9% and precision of 99.9%, recall of 99.9% and F1-score of 99.9%, XGBoost, GNN and BERT. The findings emphasize RF as the most effective model for detecting fraudulent activities in telecom networks, ensuring robust and reliable prevention of fraud.
- Abstract（参考訳）: 通信詐欺は深刻な問題であり、実質的な損失をもたらし、世界中の通信システムの信頼性を損なう。
効果的かつ効率的な検出メカニズムだけがこれらの脅威に対処するのに役立つが、不正検出へのアプローチには一定の変化がある。
本稿では,CDR(Call Detail Record)データセットを用いた通信ネットワークにおける不正検出のためのAI駆動モデルの性能評価を行う。
本研究では,Telecom CDRデータセットを用いた通信ネットワークにおける不正検出に焦点を当て,計8,830件を含む17の属性を持つ顧客記録101,174件を含む。
機能前処理では、不足した値が処理され、続いてMin-Maxスケーリングを使用したデータスケーリングとSMOTE技術によるデータバランシングが処理された。
このデータセットはランダムフォレスト(RF)とXGBoostモデルを用いて予測分析のために訓練された。
F1スコア、ROC AUC、リコール、精度、時間、精度を指標として、2つのモデルの性能を比較した。
RFは99.9%、XGBoostは99.7%である。
発見は、提案されたフレームワークが誤分類の少ない不正を検出することに成功していることを示している。
RF、XGBoost、DBSCAN、RoBERTa、K-meansなどの機械学習モデルの評価と対比を行った。
RFの精度は99.9%、精度は99.9%、リコールは99.9%、F1スコアは99.9%、XGBoost、GNN、BERTである。
その結果,RFは通信ネットワークにおける不正行為の検出に最も有効なモデルであり,確実かつ確実な不正防止を確実にすることがわかった。
関連論文リスト
- Explainable Machine Learning for Phishing Detection on Heterogeneous Datasets with MCP-Enabled Deployment [1.2542843327483275]
本稿では、異種フィッシングデータセットにおけるフィッシング検出における機械学習アルゴリズムの効率について検討する。
実用的なデプロイメントを支援するため、MPPベースのフィッシングURL検出システムも組み込まれている。
論文 参考訳（メタデータ） (2026-05-18T05:54:43Z) - SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection [0.0]
本研究では、悪意のあるサイバー攻撃を検出し、異常なデバイス異常を識別するための機械学習駆動フレームワークを提案する。
8つの機械学習モデルが3つの学習アプローチで評価される。
このフレームワークは、データ漏洩の防止、システムダウンタイムの最小化、医療機器の継続的かつ安全な運用を保証する可能性を秘めている。
論文 参考訳（メタデータ） (2025-11-05T17:20:23Z) - Efficient Hate Speech Detection: Evaluating 38 Models from Traditional Methods to Transformers [0.0]
本研究は,6.5Kから451Kまでのデータセットにわたるヘイトスピーチ検出における38のモデル構成を評価する。
以上の結果から,変換器,特にRoBERTaは精度が高く,F1スコアは90%を超えていることがわかった。
論文 参考訳（メタデータ） (2025-09-14T21:17:04Z) - Securing Transactions: A Hybrid Dependable Ensemble Machine Learning
Model using IHT-LR and Grid Search [2.4374097382908477]
本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。
実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。
提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
論文 参考訳（メタデータ） (2024-02-22T09:01:42Z) - Machine learning-based network intrusion detection for big and
imbalanced data using oversampling, stacking feature embedding and feature
extraction [6.374540518226326]
侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。
本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。
CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
論文 参考訳（メタデータ） (2024-01-22T05:49:41Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - To be Robust or to be Fair: Towards Fairness in Adversarial Training [83.42241071662897]
逆行訓練アルゴリズムは、異なるデータ群間の精度と堅牢性に深刻な違いをもたらす傾向がある。
本稿では、敵防衛を行う際の不公平問題を軽減するためのFair-Robust-Learning(FRL)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-13T02:21:54Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。