論文の概要: An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts
- arxiv url: http://arxiv.org/abs/2606.17555v1
- Date: Tue, 16 Jun 2026 05:58:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.29932
- Title: An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts
- Title（参考訳）: バンキングのためのAIセキュリティエージェント:リテールと企業アカウント全体でのマルチベクター詐欺とAML検出
- Authors: Joseph Walusimbi, Joshua Benjamin Ssentongo,
- Abstract要約: 銀行は同時に署名に基づく詐欺と行動的金融犯罪に直面している。
ブルートフォースや高速なイベントを確実にキャッチする静的ルールエンジンは、ビジネスメールの妥協に対して構造的に盲目である。
本稿では,このギャップに対処する小売・コーポレートバンキングのためのAIセキュリティエージェントを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Banks simultaneously face signature-based fraud (card-not-present attacks, account takeover, ATM cloning) and behavioural financial crime (structuring, layering, mule networks, business email compromise) -- two threat families with fundamentally different detection requirements. Static rule engines that reliably catch brute-force and high-velocity events are structurally blind to business-email-compromise (BEC) payment redirection, session hijacking, and money-laundering layering, which are engineered to appear indistinguishable from legitimate activity at the individual transaction or session level. This paper presents an AI security agent for retail and corporate banking that addresses this gap through a three-component fusion architecture operating on two parallel event streams: a transaction stream (card fraud, ACH/wire fraud, AML categories) and a session stream (account takeover, session hijacking, SIM-swap, insider abuse). Each stream combines an LSTM sequence model capturing per-account behavioural history, a statistical velocity/threshold monitor, and a graph/network module capturing account-counterparty relationship patterns (fan-in, fan-out, pass-through ratio) for money-laundering detection. Experiments on a synthetic event log of 237,669 transactions and 113,508 sessions across 13 threat categories and 3,470 simulated accounts demonstrate overall F1 of 0.787 (transaction stream) and 0.867 (session stream) for the proposed model, versus 0.562/0.733 for a rule-based baseline and 0.655/0.713 for an LSTM-only baseline. The agent includes a customer-facing transaction-verification chatbot (96.6% identity verification accuracy, 86.8% mass-reset attack detection) and an analyst case-summary assistant (99.3% action-recommendation F1), with Critical-tier automated response latency under 0.43 ms at the 95th percentile.
- Abstract（参考訳）: 銀行は、シグネチャベースの詐欺(カード非表示の攻撃、アカウントの乗っ取り、ATMのクローン)と行動的金融犯罪(構造化、階層化、ミュールネットワーク、ビジネスメールの妥協)を同時に直面する。
ブルートフォースや高速度イベントを確実にキャッチする静的ルールエンジンは、個々のトランザクションやセッションレベルでの正当な活動と区別できないように設計された、BEC(Business-Email-Compromise)支払いのリダイレクト、セッションハイジャック、マネーロンダリング層に構造的に盲目である。
本稿では、トランザクションストリーム(カード詐欺、ACH/ワイヤ詐欺、AMLカテゴリ)とセッションストリーム(アカウント取得、セッションハイジャック、SIM-スワップ、インサイダーの乱用)という、2つの並列イベントストリーム上で動作する3成分融合アーキテクチャを通じて、このギャップに対処する小売および企業銀行向けAIセキュリティエージェントを提案する。
各ストリームは、アカウントごとの行動履歴をキャプチャするLSTMシーケンスモデル、統計速度/閾値モニター、およびマネーロンダリング検出のためのアカウント・カウンタ関係パターン(ファンイン、ファンアウト、パススルー比)をキャプチャするグラフ/ネットワークモジュールを組み合わせる。
13の脅威カテゴリと3,470のシミュレーションアカウントにわたる237,669トランザクションと113,508セッションの合成イベントログの実験では、提案されたモデルのF1は0.787(トランザクションストリーム)、0.867(セッションストリーム)であり、ルールベースのベースラインは0.562/0.733、LSTMのみのベースラインは0.655/0.713である。
本発明のエージェントは、顧客対応のトランザクション検証チャットボット(96.6%の認証精度、86.8%の大量リセット攻撃検出)と、分析ケースサプライアシスタント(99.3%のアクションレコメンデーションF1)と、95番目のパーセンタイルで0.43ms未満の自動応答遅延を含む。
関連論文リスト
- An AI Security Agent for University ACMIS: Multi-Vector Threat Detection and Automated Response [0.0]
本稿ではACMISのためのAIベースのセキュリティエージェントを提案する。
エージェントは認証、認可、金融取引、ユーザの振る舞い、システムの健全性の5つの運用層を監視する。
147,922セッションのACMISイベントログデータセットのシミュレーション実験は、平均0.966の脅威検出マクロF1を示す。
論文 参考訳（メタデータ） (2026-06-06T17:33:31Z) - SCAFDS: Edge-Feature Graph Attention for Interbank Fraud Detection with Attribution-Grounded SAR Generation [0.40611352512781873]
米国の金融システムは毎日約130万の銀行間取引を処理している。
レビューされた文献では,不正共起エッジ機能を用いて,銀行間ネットワーク上での不正伝播をモデル化するシステムはない。
本稿では、7段階統合監視パイプラインであるSCAFDS(Systemic Contagion-Aware Fraud Detection System)を紹介する。
論文 参考訳（メタデータ） (2026-05-17T21:04:30Z) - GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。
バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。
パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
論文 参考訳（メタデータ） (2026-04-27T11:34:21Z) - Beyond Single-Agent Alignment: Preventing Context-Fragmented Violations in Multi-Agent Systems [10.660248467840821]
新たなセキュリティリスクの特定と形式化:CFV(Context-Fragmented Violations)
CFVは、個々のエージェントの行動が局所的に安全かつ合理的に見えるが、全体として組織的方針に反する政策違反の類である。
分散ゼロトラスト適用アーキテクチャである分散センチネルを提案する。
論文 参考訳（メタデータ） (2026-04-24T03:08:52Z) - A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems [0.2864713389096699]
高周波銀行環境は、低遅延詐欺検出と規制説明可能性の間に重要なトレードオフに直面している。
伝統的な規則に基づく差別的モデルは、過度の階級不均衡と歴史的な前例の欠如のために「ゼロデイ」攻撃に苦しむ。
本稿では,オフライン学習からリアルタイムな異常検出を分離するデュアルパス生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-17T10:20:40Z) - SSR: Safeguarding Staking Rewards by Defining and Detecting Logical Defects in DeFi Staking [55.62033436283969]
DeFi(Decentralized Finance)の買収は、DeFiエコシステムにおける最も顕著なアプリケーションの1つだ。
DeFiの盗難の論理的欠陥により、攻撃者は不当な報酬を請求できる。
我々は,DeFi取引契約における論理的欠陥を検出するための静的解析ツールであるSSR(Safeguarding Stake Reward)を開発した。
論文 参考訳（メタデータ） (2026-01-09T15:01:41Z) - RiskTagger: An LLM-based Agent for Automatic Annotation of Web3 Crypto Money Laundering Behaviors [65.80108147440863]
RiskTaggerは、Web3における暗号洗浄行動の自動アノテーションのための、大言語モデルベースのエージェントである。
RiskTaggerは、複雑な構造化されていないレポートからヒントを抽出し、マルチチェーントランザクションパスを推論し、監査者フレンドリな説明を生成する、という3つの重要な課題に対処することによって、人間のアノテータを置き換えたり、補完するように設計されている。
論文 参考訳（メタデータ） (2025-10-12T08:54:28Z) - Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。
クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
論文 参考訳（メタデータ） (2025-05-22T17:11:58Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:15:04Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z)
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。