論文の概要: Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding

• arxiv url: http://arxiv.org/abs/2605.21490v1
• Date: Tue, 31 Mar 2026 09:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.977531
• Title: Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding
• Title（参考訳）: 金融犯罪検出のための時間的コントラスト変換器:予測コントラスト符号化による自己監督シーケンス埋め込み
• Authors: Danny Butvinik, Yonit Marcus, Nitzan Tal, Gabrielle Azoulay,
• Abstract要約: 本稿では,金融取引のシーケンスの文脈的時間的ダイナミクスを捉えるための表現学習フレームワークであるTCTを紹介する。 埋め込みだけで有意義な予測性能(AUC 0.8644)が得られることを示す。 これらの結果は、まだ生産可能ではないが、金融犯罪検出における特徴工学への依存を減らすための有望な方向性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the Temporal Contrastive Transformer (TCT), a representation learning framework designed to capture contextual temporal dynamics in sequences of financial transactions. The model is trained using a self-supervised contrastive objective to produce embeddings that encode behavioral patterns over time, with the goal of supporting downstream fraud detection tasks. We evaluate TCT in a realistic setting by using the learned embeddings as input features to a gradient boosting classifier. Experimental results show that embeddings alone achieve meaningful predictive performance (AUC 0.8644), indicating that the model captures non-trivial temporal structure. However, when combined with domain-engineered features, no measurable improvement is observed over the baseline (AUC 0.9205 vs. 0.9245), suggesting that the learned representations largely overlap with existing feature abstractions. These findings position TCT as a promising representation learning approach that captures relevant behavioral signal, while highlighting the challenges of achieving additive value over strong domain features. The results reflect an intermediate stage in the development of temporal representation learning for financial crime detection and motivate further research on model architecture, training objectives, and integration strategies. At this early stage, achieving performance comparable to a strong feature-engineered baseline is itself a meaningful outcome, indicating that learned representations approximate domain-specific features without manual engineering. While not yet production-ready, these results point to a promising direction for reducing reliance on feature engineering in financial crime detection.
• Abstract（参考訳）: 本稿では,金融取引のシーケンスの文脈的時間的ダイナミクスを捉えるための表現学習フレームワークであるTCTを紹介する。 このモデルは、自己監督された対照的な目的を用いて訓練され、下流の不正検出タスクをサポートすることを目的として、時間とともに行動パターンをエンコードする埋め込みを生成する。 学習した埋め込みを入力特徴として用いて,TCTを現実的な環境で評価する。 実験の結果,埋め込みだけで有意義な予測性能(AUC 0.8644)が得られ,非自明な時間構造が得られた。 しかし、ドメイン工学的特徴と組み合わせると、ベースライン(AUC 0.9205 vs. 0.9245)上で測定可能な改善は見られず、学習された表現が既存の特徴抽象化と大きく重なっていることを示唆している。 これらの知見は、TCKを、関連する行動シグナルを捉えつつ、強力なドメイン特徴よりも付加価値を達成するという課題を強調しながら、有望な表現学習アプローチとして位置づけている。 この結果は、金融犯罪検知のための時間的表現学習の発展の中間段階を反映し、モデルアーキテクチャ、訓練目標、統合戦略に関するさらなる研究を動機付けている。 この初期段階では、強力なフィーチャーエンジニアリングベースラインに匹敵するパフォーマンスを達成することは、それ自体有意義な結果であり、学習された表現が手動エンジニアリングなしでドメイン固有の機能を近似していることを示している。 これらの結果は、まだ生産可能ではないが、金融犯罪検出における特徴工学への依存を減らすための有望な方向性を示している。

関連論文リスト

• Monitoring the Internal Monologue: Probe Trajectories Reveal Reasoning Dynamics [42.27928681606673]
  大規模推論モデル (LRM) は, 思考の連鎖 (CoT) 推論を通じて, 安全監視のための新たな機会を導入する。 本研究では,LRMの隠れ表現について検討し,今後の挙動をプロンプトおよびCoT表現から予測できるかどうかを検証した。 将来のモデル行動は, 単一の静的予測より, 完全な軌道上での検証において, より区別し易いことが判明した。
  論文  参考訳（メタデータ） (2026-05-18T15:29:04Z)
• Ensuring Reliability in Programming Knowledge Tracing: A Re-evaluation of Attention-augmented Models and Experimental Protocols [0.6015898117103068]
  本研究は,代表的PKTモデルを再検討し,モデル構成とシーケンス構築の実践により,報告された利得が著しく影響を受けることを示す。 性能評価に影響を与える注意設定の問題を特定し,ServerTimestampを無視するなどの学生の試みの不適切な順序が時間的因果性に反し,過度に楽観的な結果をもたらすことを実証する。
  論文  参考訳（メタデータ） (2026-05-06T10:22:21Z)
• Temporal Structure Matters for Efficient Test-Time Adaptation in Wearable Human Activity Recognition [0.20391237204597365]
  テスト時間適応(TTA)は、実世界のクロスユーザー分散シフト下での性能低下を緩和する。 既存の手法は主に視覚タスクから仮定を継承し、WHARストリームに固有のウィンドウ間時間構造を過小評価する。 本稿では,WHARのための軽量かつバックプロパゲーションフリーなTTAフレームワークであるSIGHTを提案する。
  論文  参考訳（メタデータ） (2026-05-06T08:06:27Z)
• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
  時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。 本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。 本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T19:23:53Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。