論文の概要: SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention

• arxiv url: http://arxiv.org/abs/2607.10131v1
• Date: Sat, 11 Jul 2026 05:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.310354
• Title: SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention
• Title（参考訳）: SALT-GNN: 統計情報による反モニー洗浄グラフの周辺処理
• Abstract要約: マネーロンダリングは金融の安定を脅かし、機関に罰則を課し、自動検出を動機付けている。 レイダリングスキームはリレーショナルパターンを通じてしばしば現れるため、グラフニューラルネットワーク(GNN)は反マネーロンダリング(AML)にますます利用されている。 本稿では,各メッセージパッシング層に注意を払って,次数対応の統計アグリゲーションを融合する統計アグリゲーションアーキテクチャSALT-GNNを提案する。
• 参考スコア（独自算出の注目度）: 7.487248869469991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Money laundering threatens financial stability and exposes institutions to penalties, motivating automated detection. Because laundering schemes often emerge through relational patterns, graph neural networks (GNNs) are increasingly used for anti-money laundering (AML). Yet AML GNNs are typically evaluated with aggregate metrics such as overall F1 score, which hide an operational issue: high-activity recipient accounts concentrate many incoming transactions, making suspicious signals harder to isolate and costlier to investigate. We introduce a recipient-degree stratified evaluation that reports standard AML metrics across recipient-context density. Across three datasets (HI-Small, HI-Medium, and AMLSim-32k-5%), it reveals consistent degradation in dense recipient contexts, which we trace to three GNN characteristics: two known limitations that AML amplifies, i.e., (1) multiset non-discriminability and (2) cardinality blindness, and (3) an attention-specific effect: in dense neighborhoods, normalized attention attenuates weak but pattern-relevant multi-hop signals. Guided by this diagnosis, we propose SALT-GNN, a lightweight statistics-aware architecture that fuses degree-aware statistical aggregation with attention at each message-passing layer, so distributional and cardinality information shapes the node states used by subsequent attention steps. Ablations support fusion placement as a key factor in dense-context performance. On HI-Small and HI-Medium, SALT-GNN uses up to 77% fewer parameters than task-specific graph-transformer baselines while improving dense-context F1 score by 3-6 points; on AMLSim-32k-5%, it improves highest-degree F1 score by 16-20 points. The gains hold for both Transformer- and GAT-style attention, indicating that the benefit comes from where statistical and attentional evidence is fused rather than from a specific attention operator.
• Abstract（参考訳）: マネーロンダリングは金融の安定を脅かし、機関に罰則を課し、自動検出を動機付けている。 マネーロンダリングスキームはリレーショナルパターンを通じてしばしば現れるため、グラフニューラルネットワーク(GNN)はアンチマネーロンダリング(AML)にますます利用されている。 しかし、AML GNNは一般にF1スコアなどの総合的な指標で評価され、これは運用上の問題を隠している。 本稿では、受信者・コンテキスト密度の標準AMLメトリクスを報告した受信者層別評価を導入する。 3つのデータセット (HI-Small, HI-Medium, AMLSim-32k-5%) にまたがって、GNNの特徴として、AMLが増幅する2つの既知の制限、すなわち、(1) 多重集合の非識別性と(2) 基数視力、(3) 注意特異的効果: 密集地区では、正規化された注意は弱いが、パターン関連のマルチホップ信号を減衰させる。 この診断で導かれたSALT-GNNは,各メッセージパッシング層に注意を払って次数対応の統計アグリゲーションを融合する軽量な統計アグリゲーションアーキテクチャである。 アブレーションは、高密度コンテキスト性能の重要な要素として融合配置をサポートする。 HI-SmallとHI-Mediumでは、SALT-GNNはタスク固有のグラフ変換器ベースラインよりも77%少ないパラメータを使用し、高密度コンテキストF1スコアを3-6ポイント改善している。 この利得はTransformerとGATスタイルの両方の注意を惹きつけており、その利点は特定の注意操作者からではなく、統計的および注意的な証拠が融合しているところにあることを示している。

関連論文リスト

• Attention Degradation, Function Token Anchoring, and the Limits of Attention-Based Intervention in Large Language Models [0.0]
  GPT-2, LLaMA-3.2-1B/3B, OPT-1.3B, distilgpt2の6つの協調実験を行った。 まず,短期(5-100トークン)の注意低下を特徴付ける。 注意力の低下は規範的というよりはむしろ典型的であると結論付けている。
  論文  参考訳（メタデータ） (2026-07-09T07:04:07Z)
• Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection [4.923071905608023]
  本稿では,拡散誘導機能強化,コントラスト表現学習,マルチホップスペクトルアテンションを組み合わせた統合フレームワークであるADC-GNNを提案する。 ADC-GNNを主に3つの公開ベンチマークで評価し、プライベートケーススタディとして約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットを報告した。
  論文  参考訳（メタデータ） (2026-06-26T14:34:28Z)
• TRACER: A Semantic-Aware Framework for Fine-Grained Contamination Detection in Code LLMs [5.739404573725206]
  コード汚染検出のためのセマンティック・アウェア・フレームワークであるTRACERを提案する。 TRACERは3つのレベルのセマンティックオーバーラップを使って汚染をモデル化する。 また、広く使用されている3つのベンチマークと、トレーニング後の代表的な3つのデータセットにまたがる、きめ細かいコード汚染検出のための最初のベンチマークも紹介する。
  論文  参考訳（メタデータ） (2026-05-22T17:30:20Z)
• Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
  対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。 本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。 機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。 勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
  論文  参考訳（メタデータ） (2026-05-20T08:15:56Z)
• ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment [0.754973258028456]
  本稿では,制御フローグラフ,データフローグラフ,コールグラフを統合したグラフ学習フレームワークORACALを提案する。 ORACALは、レトリーバル拡張生成(RAG)とLarge Language Models(LLM)から専門家レベルのセキュリティコンテキストを持つ重要なサブグラフを選択的に強化する 透明性のために、このフレームワークはPGExplainerを採用して、脆弱性トリガーパスを特定するサブグラフレベルの説明を生成する。
  論文  参考訳（メタデータ） (2026-03-30T07:46:59Z)
• ASMIL: Attention-Stabilized Multiple Instance Learning for Whole Slide Imaging [95.36377714370325]
  注意に基づく複数インスタンス学習手法は、不安定な注意力学という新しい障害モードを示す。 本稿では,新しい統合フレームワークであるASMIL(At attention-stabilized multiple instance learning)を紹介する。 ASMILはアンカーモデルを用いて注意を安定させ、ソフトマックスをアンカー内の正規化シグモイド関数に置き換えて過集中を防ぐ。
  論文  参考訳（メタデータ） (2026-03-01T18:31:13Z)
• Make Anything Match Your Target: Universal Adversarial Perturbations against Closed-Source MLLMs via Multi-Crop Routed Meta Optimization [49.30177419529011]
  我々は、より厳密な設定であるユニバーサル・ターゲティング・トランスファラブル・アタック(UTTAA)について研究する。 単一の摂動は、未知の商用MLLMをまたいで、指定されたターゲットに対する任意の入力を常に制御しなければならない。 本稿では,M CRMO-Attackを提案する。
  論文  参考訳（メタデータ） (2026-01-30T17:03:24Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• 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)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism [5.486205584465161]
  本研究は,通常の分類プロセスに2つの余分な層を追加することにより,CCF検出のための新たな積み重ねに基づくアプローチを提案する。 注意層では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)のソフトアウトプットを、依存重み付け平均化(DOWA)演算子を用いて組み合わせる。 信頼層では,どのアグリゲーション(DOWAまたはIOWA)でも,メタラーナーへのフィードの不確実性が低いかを選択する。 3つのデータセットに対する実験により,提案手法は高精度かつ堅牢な一般化を実現し,CCF検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-10-01T09:56:23Z)

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。