論文の概要: Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

• arxiv url: http://arxiv.org/abs/2606.00672v1
• Date: Sat, 30 May 2026 10:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.58604
• Title: Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling
• Title（参考訳）: エッジ・アウェア・インタラクション・リスク・モデリングを用いたアルツハイマー病患者に対するメディケイト・アウェア・ファイナンシャル・エクスプロイテーションの検出
• Abstract要約: 経済的搾取はアルツハイマー病の人々の関心が高まっている。 本稿では,薬物の付着とトランザクションレベルのモニタリングを同期する薬剤認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Financial exploitation is a growing concern for people with Alzheimer's disease, especially during periods of reduced cognitive stability. Conventional fraud detection systems usually rely on financial behavior alone and ignore clinically relevant factors that may alter vulnerability. This paper proposes a medication-aware framework that synchronizes medication adherence with transaction-level monitoring to improve detection of cognitively risky financial events. A hybrid simulation dataset was constructed for 180 patients across 45 days, producing 8,100 medication records and 30,855 transactions. The framework evaluates amount anomaly, vendor novelty, transaction frequency, time deviation, and medication adherence through financial-only, additive medication-aware, and interaction-aware logistic models. Results show that the financial-only baseline obtained the highest global F1-score of 0.5000, but the interaction-aware model improved recall during medication-induced vulnerability windows from 0.7442 to 0.9070 and achieved the highest average precision for ranked high-risk cases. The findings suggest that medication adherence is most useful as a contextual modifier of financial risk rather than as an isolated predictor.
• Abstract（参考訳）: 経済的搾取はアルツハイマー病の患者、特に認知安定性の低下期における関心が高まっている。 従来の不正検出システムは、金融行動のみに頼り、脆弱性を変える可能性のある臨床的に関係のある要因を無視する。 本稿では, 薬物の付着と取引レベルのモニタリングを同期させ, 認知的リスクのある金融事象の検出を改善するための薬剤意識フレームワークを提案する。 45日間にわたって180人の患者にハイブリッドシミュレーションデータセットを構築し、8,100件の医薬品記録と30,855件の取引を作成した。 このフレームワークは、金額異常、ベンダーの新規性、取引頻度、時間偏差、薬品付着性を評価する。 その結果、金融のみのベースラインはF1スコアが0.5000で、医薬品による脆弱性ウィンドウのリコールが0.7442から0.9070に改善され、ハイリスクケースの平均精度が最高に向上した。 その結果, 薬剤の付着は, 単独の予測因子としてではなく, 経済的リスクの文脈的修飾剤として有用であることが示唆された。

関連論文リスト

• Extreme Volatility Warning under Label Scarcity via Multi-Source Anomaly Fusion [9.298391210599604]
  当社のCSI300設定では、791のトレーニング日で80ドルの正のサンプルしか見つからず、教師付きマルチソースモデルを不安定にしています。 我々は、市場指標、GDELTイベント、中国の金融ニュース、英語メディアの異常スコアと軽量リッジスコア融合を組み合わせた半教師付きフレームワークであるtextbfAAMSF(Anomaly-Augmented Multi-Signal Fusion)を提案する。 CSI300では、AAMSFはAUC-ROC textbf0.680をテストし、最強の教師なしベースライン(0.630)と神経ベースライン(0.588)を上回ります。
  論文  参考訳（メタデータ） (2026-07-26T14:30:58Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
  本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。 我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T03:22:05Z)
• A Multi-Domain Red Teaming Framework for Safety, Robustness, and Fairness Evaluation of Medical Large Language Models [34.38896321208398]
  大規模言語モデル(LLM)は、ますます医療全体に展開されているが、既存のベンチマークでは、敵対的あるいは倫理的に複雑な条件下でのモデルの振る舞いを捉えていない。 我々は690の臨床的根拠のあるシナリオにまたがる11の現代LPMを評価する多ドメインレッド・チームリング・フレームワークを開発した。 その結果, 平均スコアは0.791～0.984。
  論文  参考訳（メタデータ） (2026-04-15T14:57:55Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction [45.88028371034407]
  本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。 医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。
  論文  参考訳（メタデータ） (2026-01-23T02:34:29Z)
• Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
  我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。 我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。 提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
  論文  参考訳（メタデータ） (2025-12-06T23:00:19Z)
• A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series [0.8065001399110248]
  本研究では,金融時系列における異常検出とリスク予測のためのFEDformer-based Hybrid Frameworkを提案する。 周波数拡張分解変換器(FEDformer)と残差ベースの異常検出器とリスク予測ヘッドを統合している。 S&P 500, NASDAQ Composite, Brent Crude Oil データセット (2000-2024) を用いて行った実験は, ベンチマーク法よりも提案モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-17T04:09:04Z)
• An N-of-1 Artificial Intelligence Ecosystem for Precision Medicine [1.2578552444269682]
  N-of-1決定支援のためのマルチエージェントエコシステムを提案する。 エージェントはモデルとエビデンス合成ツールの共有ライブラリーを描画する。 このアプローチは、医療AIと第一原理 – 透明性があり、公平で、個人中心の医療 – を結びつけることを目指している。
  論文  参考訳（メタデータ） (2025-10-28T12:28:02Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• Machine Learning based Enterprise Financial Audit Framework and High Risk Identification [6.433444278723668]
  本研究では,企業財務監査とハイリスク識別のためのAI駆動型フレームワークを提案する。 2020年から2025年にかけて、ビッグフォー会計会社(EY、PwC、Deloitte、KPMG)のデータセットを使用して、リスク評価、コンプライアンス違反、不正検出の傾向を調査した。 調査では、Random Forestをコアモデルとして採用し、エンジニアリングによる機能拡張、リアルタイムリスク監視の実装を推奨している。
  論文  参考訳（メタデータ） (2025-07-08T00:22:49Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。