論文の概要: Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms
- arxiv url: http://arxiv.org/abs/2607.05101v1
- Date: Mon, 06 Jul 2026 13:57:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.170527
- Title: Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms
- Title（参考訳）: 反モニー洗浄法における不公平検出法
- Abstract要約: 機械学習に基づく予測アルゴリズムのアンチモニー洗浄への適用は急速に増加している。
これらのアルゴリズムは典型的にはトランザクションデータと機密性の高いクライアント情報に基づいて訓練される。
これにもかかわらず、AML検出システムはフェアネスの観点からほとんど探索されていない。
- 参考スコア（独自算出の注目度）: 37.131058866458964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of machine learning-based predictive algorithms to Anti-Money Laundering (AML) has grown rapidly, driven by the vast volume of financial transaction data available to banks. These algorithms are typically trained not only on transactional data but also on sensitive client information, which may raise fairness concerns. Despite this, AML detection systems remain largely underexplored from a fairness perspective, even though deeper analytical methods based on counterfactuals are now available. Such techniques enable the decomposition of the direct and indirect effects of potentially sensitive features on model predictions, thereby supporting the evaluation of whether their influence is acceptable from a fairness perspective. Closing this gap, we consider the synthetic IBM AMLSim transaction dataset and construct additional features of the country of an account and its average behaviour. This improves the predictive performance of diverse machine learning models, ranging from baseline decision trees to state-of-the-art graph neural networks. We assess the potential unfairness associated with these features through a counterfactual, path-specific effect analysis. This reveals that fairness violations tend to be more pronounced for models whose predictive performance benefits the most from the extended features. Such a finding highlights a concrete instance of the trade-off between predictive accuracy and fairness in AML applications, thus underscoring the urgency of a systematic fairness analysis in such critical domains.
- Abstract（参考訳）: AML(Anti-Money Laundering)への機械学習ベースの予測アルゴリズムの適用は、銀行に利用可能な膨大な金融トランザクションデータによって、急速に増加している。
これらのアルゴリズムは通常、トランザクションデータだけでなく、機密性の高いクライアント情報にもトレーニングされる。
これにもかかわらず、AML検出システムは、反事実に基づくより深い分析手法が現在利用可能であるにもかかわらず、フェアネスの観点からほとんど探索されていない。
このような手法により、モデル予測に対する潜在的に敏感な特徴の直接的および間接的な効果の分解が可能となり、公平性の観点からその影響が受け入れられるかどうかの評価を支援することができる。
このギャップを埋めるために、合成されたIBM AMLSimトランザクションデータセットを検討し、アカウントの国とその平均的な振る舞いに関する追加機能を構築します。
これにより、ベースライン決定木から最先端のグラフニューラルネットワークまで、さまざまな機械学習モデルの予測性能が向上する。
本研究は,これらの特徴に付随する潜在的不公平さを,反実的,経路特異的な効果分析によって評価する。
これは、予測性能が拡張された機能から最も恩恵を受けるモデルに対して、公平性違反がより顕著になる傾向があることを示している。
このような発見は、AMLアプリケーションにおける予測精度と公正性の間のトレードオフの具体的な事例を強調しており、そのような臨界領域における体系的公正性分析の緊急性を強調している。
関連論文リスト
- Fraud Detection System for Banking Transactions [0.0]
本研究では、PaySim合成金融トランザクションデータセットを利用した機械学習による不正検出フレームワークを提案する。
提案するフレームワークは、FinTechトランザクションシステムにおける不正防止機能を強化する、堅牢でスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-09T08:17:27Z) - Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine [0.0]
本研究は、EBM(Explainable Boosting Machine)に基づく拡張ワークフローを提案する。
最適化されたEMMは、精度と解釈可能性の効果的なバランスを実現し、不正取引の正確な検出を可能にする。
ベンチマーククレジットカードデータの実験的評価により、ROC-AUCは0.983であり、以前のEMMベースラインを超えている。
論文 参考訳（メタデータ） (2026-02-06T18:56:17Z) - Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data [1.9426782472131299]
不正検出は金融や電子商取引といった高額な分野において依然として重要な課題である。
大規模かつ高度に不均衡なオンライントランザクションデータセット上で、4つの教師付き学習モデルの性能を体系的に比較する。
論文 参考訳（メタデータ） (2025-05-28T16:08:04Z) - Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。
モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。
本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文 参考訳（メタデータ） (2025-03-13T05:19:44Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z) - On the Potential of Network-Based Features for Fraud Detection [3.0846824529023382]
本稿では、パーソナライズされたPageRank(PPR)アルゴリズムを用いて、詐欺の社会的ダイナミクスを捉える。
主な目的は、従来の特徴と不正検出モデルにおけるPPRの追加を比較することである。
その結果,PPRの統合はモデルの予測能力を向上し,ベースラインモデルを上回ることが示唆された。
論文 参考訳（メタデータ） (2024-02-14T13:20:09Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳（メタデータ） (2023-07-17T04:08:29Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。
GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - LaundroGraph: Self-Supervised Graph Representation Learning for
Anti-Money Laundering [5.478764356647437]
LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。
マネーロンダリング防止プロセスを支援するための洞察を提供する。
我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
論文 参考訳（メタデータ） (2022-10-25T21:58:02Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。