論文の概要: The Fundamental Limits of Fraud Detection in Card Payment Networks

• arxiv url: http://arxiv.org/abs/2605.27557v1
• Date: Tue, 26 May 2026 18:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.403005
• Title: The Fundamental Limits of Fraud Detection in Card Payment Networks
• Title（参考訳）: カード支払ネットワークにおけるフラッド検出の基本限界
• Authors: Gaurav Dhama,
• Abstract要約: カード支払い不正検出は通常、監督された分類問題としてフレーム化される。 これは主に関数近似や最適化の失敗ではなく、支払いエコシステムに固有の構造的情報障害の結果である、と我々は主張する。 カード認証は、遅延、検閲、腐敗、そして事実上欠落したフィードバックを伴って、シーケンシャルな決定問題として定式化します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Card payment fraud detection is usually framed as a supervised classification problem. Although this approach has generated practical progress, improvement has remained incremental despite major advances in model architecture. We argue that this is not mainly a failure of function approximation or optimization, but a consequence of structural information impairments inherent to the payment ecosystem. We formalize card authorization as a sequential decision problem with delayed, censored, corrupted, and counterfactually missing feedback. We derive a minimax regret lower bound showing that these impairments enter multiplicatively in the denominator of the achievable learning rate. The bound implies that improving issuer reporting quality or reducing censorship can yield larger reductions in the regret floor than increasing model complexity. We also show that heterogeneity across issuers worsens learnability beyond what average impairment rates suggest. The paper contributes a theory of why fraud detection in payment networks is fundamentally harder than in standard online learning settings, identifies ecosystem information quality as the key bottleneck, and provides a theoretical basis for prioritizing investments in reporting infrastructure, dispute process quality, and selective exploration. The paper is theory-first and does not rely on proprietary transaction data.
• Abstract（参考訳）: カード支払い不正検出は通常、監督された分類問題としてフレーム化される。 このアプローチは実践的な進歩をもたらしたが、モデルアーキテクチャの大きな進歩にもかかわらず、改善は徐々に進んでいる。 これは主に関数近似や最適化の失敗ではなく、支払いエコシステムに固有の構造的情報障害の結果である、と我々は主張する。 カード認証は、遅延、検閲、腐敗、そして事実上欠落したフィードバックを伴って、シーケンシャルな決定問題として定式化します。 達成可能な学習速度の分母において,これらの障害が乗算的に進入することを示す,最小限の後悔の低い境界を導出する。 このバウンダリは、発行者の報告品質の改善や検閲の削減が、モデルの複雑さを増大させるよりも、後悔の床を大きく削減できることを意味している。 また, 発行者間の不均一性は, 平均的障害率よりも学習性に悪影響を及ぼすことが示唆された。 本稿では,支払ネットワークにおける不正検出が,標準的なオンライン学習環境よりも根本的に困難である理由を考察し,生態系情報品質を重要なボトルネックとして認識し,報告基盤,紛争処理品質,選択探索への投資を優先する理論的根拠を提供する。 論文は理論第一であり、プロプライエタリなトランザクションデータに依存しない。

関連論文リスト

• IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
  既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。 IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
  論文  参考訳（メタデータ） (2026-04-22T03:03:33Z)
• Detecting Complex Money Laundering Patterns with Incremental and Distributed Graph Modeling [0.15293427903448023]
  マネーロンダラーは、金融フットプリントを偽りの方法で隠すことによって、既存の検出アプローチを活用する。 本稿では,ReDiRect(Reduce,DIstribute,RECTify)と呼ばれるフレームワークを提案する。 我々のフレームワークは、既存の技術や最先端技術と比較して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-01T18:40:58Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Explainable Fraud Detection with Deep Symbolic Classification [4.1205832766381985]
  分類問題に対するDeep Symbolic Regressionフレームワークの拡張であるDeep Classificationを提案する。 関数は閉形式で簡潔な数学的表現であるため、モデルは1つの分類決定のレベルとモデルの決定過程の両方において本質的に説明可能である。 PaySimデータセットの評価は、最先端のモデルと競合する予測性能を示しながら、説明可能性の観点からそれらを上回っている。
  論文  参考訳（メタデータ） (2023-12-01T13:50:55Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
  性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。 注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。 我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2022-10-22T08:21:49Z)
• Application of Deep Reinforcement Learning to Payment Fraud [0.0]
  典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。 このような定式化は準最適解につながると我々は主張する。 我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
  論文  参考訳（メタデータ） (2021-12-08T11:30:53Z)
• 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)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。