論文の概要: TMR-GGNN: Credit Card Fraud Detection based on Time-Aware Multi-Relational Guided Graph Neural Network

• arxiv url: http://arxiv.org/abs/2606.18444v1
• Date: Tue, 16 Jun 2026 19:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.877201
• Title: TMR-GGNN: Credit Card Fraud Detection based on Time-Aware Multi-Relational Guided Graph Neural Network
• Title（参考訳）: TMR-GGNN:時刻対応マルチリレーショナルグラフニューラルネットワークによるクレジットカード不正検出
• Authors: Rohit Tewari, Shubhankar Shilpi, Navin Chhibber, Devendra Singh Parmar, Sunil Khemka, Piyush Ranjan,
• Abstract要約: 本研究では,TM GGNN(Timeaware Multi Guided Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 デコーダは、実際のトランザクションパターンと合成されたトランザクションパターンを区別するために、対照的な学習モジュールを使用する。 重度のクラス不均衡を効果的に管理し、識別学習を強調するために、情報ノイズコントラスト推定(InfoNCE)に基づくコントラスト損失とFocal Lossを導入した複合損失関数を導入する。
• 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: In recent years, credit card fraud detection has faced significant challenges due to highly imbalanced data, evolving fraud patterns, and complex relational structures among transaction entities. To address these issues, this research proposes a novel framework called Timeaware Multi Relational Guided Graph Neural Network (TMR GGNN). Particularly, the proposed TMR GGNN extends the encoder decoder Graph Neural Network GNN architecture by modeling heterogeneous interactions across customers, merchants, devices, and IPs over temporal windows. Subsequently, the proposed TMR GGNN approach constructs a dynamic, multi relational graph and incorporates a time aware relational attention mechanism within the encoder to adaptively weigh the transaction relevance based on temporal proximity and semantic context. Consequently, the decoder employs a contrastive learning module to distinguish between real and synthesized transaction patterns, while improving the models generalization of rare fraud cases. Additionally, to effectively manage severe class imbalances and emphasize discriminative learning, a composite loss function combining Information Noise Contrastive Estimation (InfoNCE) based contrastive loss with Focal Loss is introduced. This integration assists in improving fraud identification while mitigating false negatives.
• Abstract（参考訳）: 近年、クレジットカード不正検出は、高度に不均衡なデータ、不正パターンの進化、トランザクションエンティティ間の複雑な関係構造など、重大な課題に直面している。 これらの課題に対処するために,TMR GGNN(Timeaware Multi Relational Guided Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 特に、提案されたTMR GGNNは、顧客、商店、デバイス、IP間の異種インタラクションを時間窓越しにモデル化することにより、エンコーダデコーダグラフニューラルネットワークGNNアーキテクチャを拡張している。 提案したTMR GGNNアプローチは,動的でマルチリレーショナルグラフを構築し,時間的近接性とセマンティックコンテキストに基づくトランザクション関連性を適応的に評価するために,エンコーダ内に時間を考慮したリレーショナルアテンション機構を組み込んだ。 その結果、デコーダは対照的な学習モジュールを用いて、実と合成されたトランザクションパターンを区別し、稀な不正事件のモデル一般化を改善した。 さらに、重度のクラス不均衡を効果的に管理し、差別的学習を強調するために、情報ノイズコントラスト推定(InfoNCE)に基づくコントラスト損失とFocal Lossを併用した複合的損失関数を導入する。 この統合は偽陰性を緩和しながら不正識別を改善するのに役立つ。

関連論文リスト

• A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions [6.8063643637119275]
  STC-MixHopは空間的多分解能伝搬と軽量時間整合性モデリングを組み合わせたグラフベースのフレームワークである。 このフレームワークは,厳密な時間分割の下でPaySimデータセット上で評価する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。
  論文  参考訳（メタデータ） (2026-03-15T20:30:02Z)
• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
  テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。 我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:12:12Z)
• GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
  本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。 本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。 中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
  論文  参考訳（メタデータ） (2025-10-08T17:45:59Z)
• Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention [2.7002727600755883]
  異種グラフニューラルネットワーク(HGNN)を用いたクレジットカード不正検出手法を提案する。 グラフニューラルネットワークを活用することで、モデルは高次のトランザクション関係をキャプチャする。 このモデルは精度とOC-ROCの両方において顕著な改善を達成している。
  論文  参考訳（メタデータ） (2025-04-11T00:53:53Z)
• Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
  本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
  論文  参考訳（メタデータ） (2024-07-09T03:59:06Z)
• Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• 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)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)

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。