論文の概要: Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective

• arxiv url: http://arxiv.org/abs/2607.13469v1
• Date: Wed, 15 Jul 2026 05:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.665683
• Title: Explainable Artificial Intelligence for Anomaly Detection in Banking Transactions: An Internal Audit Perspective
• Title（参考訳）: 銀行取引における異常検出のための説明可能な人工知能:内部監査の視点から
• Abstract要約: 本稿では、内部監査におけるトランザクション異常検出のバンキングに適した説明可能な人工知能フレームワークを提案する。 分離フォレスト(iForest)モデルは教師なしの異常スコアを行い、SHAP層は協調ゲーム理論に基づくトランザクションレベルの説明を提供する。 軽量なStreamlitダッシュボードは、これらのアウトプットを、機械学習の専門知識のないプロフェッショナルを監査するための形式でレンダリングする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The banking sector increasingly relies on automated systems to monitor electronic transactions for signs of fraud, yet conventional rule-based approaches struggle with high false-positive rates and offer no justification for their outputs, limiting their utility for compliance teams. This paper introduces an Explainable Artificial Intelligence (XAI) framework tailored for banking transaction anomaly detection within internal audit workflows. An Isolation Forest (iForest) model performs unsupervised anomaly scoring, while a SHAP (SHapley Additive exPlanations) layer provides transaction-level, feature-attributed explanations grounded in cooperative game theory [8]. A lightweight Streamlit dashboard renders these outputs in a form accessible to audit professionals without machine learning expertise. Evaluation on a synthetic banking dataset yields 0.91 precision and 0.88 recall, outperforming three unsupervised baselines. Expert feedback confirms that feature-level explanations measurably improve auditor confidence and decision quality. The framework advances the practical deployment of accountable, transparent AI in regulated financial environments.
• Abstract（参考訳）: 銀行セクターは、不正の兆候を電子取引を監視する自動化システムにますます依存しているが、従来のルールベースのアプローチは高い偽陽性率に悩まされ、彼らのアウトプットを正当化せず、コンプライアンスチームにとっての有効性を制限している。 本稿では,内部監査ワークフロー内におけるトランザクション異常検出のバンキングに適した,説明可能な人工知能(XAI)フレームワークを提案する。 一方、SHAP(SHapley Additive exPlanations)層は、協調ゲーム理論に基づくトランザクションレベルの特徴的説明を提供する [8]。 軽量なStreamlitダッシュボードは、これらのアウトプットを、機械学習の専門知識なしで専門家を監査できる形式でレンダリングする。 合成銀行のデータセットの評価では、0.91の精度と0.88のリコールが得られ、3つの教師なしベースラインを上回っている。 専門家のフィードバックは、機能レベルの説明が監査人の信頼性と意思決定品質を確実に改善することを確認する。 このフレームワークは、規制された金融環境における説明責任のある透明なAIの実践的な展開を促進する。

関連論文リスト

• Coalition-Aware Skill Reliability for Self-Evolving Agents [49.43736235959317]
  エージェントのスキルバンクに蓄積したスキルが、実際にポジティブなメカニスティックな貢献をするかどうかを検討する。 銀行レベルが上昇する連立政権の公害は、負の連立政権レベルのスキル貢献を隠蔽し、クロスドメイン・ユーティリティ・リバーサル(クロスドメイン・リヴァーサル)であり、ソース・ベネシカル・スキルが移転後の効果を逆転させることを示している。 これらの知見は, スキル蓄積時の連帯認識スキル選択と, 移行後のラベルフリースキルマスキングの2つの信頼性介入の動機となった。
  論文  参考訳（メタデータ） (2026-08-23T21:35:22Z)
• ExplainGuard: A Zero Trust Framework for Post-Hoc Explanation Integrity Guarantees in Blackbox XAI Models [0.573978744524696]
  現在の監査パラダイムは、第三者監査人が信頼されるという暗黙の「信頼の連鎖」に依存している。 近年の研究では、この仮定に欠陥があり、敵監査役がXAIの説明を操作できることが示されている。 我々は、XAI説明サプライチェーンに組み込まれるZero-Trustアーキテクチャ(ZTA)設計を利用するExplainGuardを紹介する。
  論文  参考訳（メタデータ） (2026-08-22T06:52:09Z)
• AWARE-FX: An Auditable Knowledge-Guided AI System for Measuring Corporate Foreign-Exchange Hedging Disclosure [5.667104793245957]
  企業年次報告書には、外国為替リスク管理、デリバティブ・ユース、ナチュラル・ヘッジ、明示的な非使用に関する弱い構造化された証拠が含まれている。 本研究では,AI/NLP意思決定支援システムであるAWARE-FXを開発した。
  論文  参考訳（メタデータ） (2026-07-30T02:58:46Z)
• Invisible Manipulation Channels in AI-Assisted Financial Advisory: Implications for Market Integrity and Regulatory Design [2.061257001243159]
  本稿では,LLM推論のサンプリング層で動作している目に見えない操作チャネルを実験的に検証する。 この推測段階の操作は統計的に検出が困難であることを示す。 リスクの高い金融AIシステムに対するQRNG認証を必須とする4つの規制改正を提案する。
  論文  参考訳（メタデータ） (2026-06-15T02:27:42Z)
• Automated Benchmark Auditing for AI Agents and Large Language Models [46.03841647776303]
  Auto Benchmark Audit (ABA)は、個々のベンチマークタスクを体系的に監査するエージェントフレームワークである。 私たちは、9つのドメインで合計168のベンチマークで、Frontier LLMベンチマークと以前のNeurIPSパブリッシュのコレクションでABAを実行しています。 ABAは、不明瞭なタスク設計、実行環境の矛盾、そして、評価されたタスクの25.7%以上において、誤った根拠の真実を含む重要な問題を特定する。
  論文  参考訳（メタデータ） (2026-05-25T17:44:21Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• AgentV-RL: Scaling Reward Modeling with Agentic Verifier [63.55502685076245]
  試験時間スケーリング(TTS)によるLCM推論を強化する検証器が実証されている。 本稿では,報酬モデリングを多ターンツール拡張型検討プロセスに変換するフレームワークであるエージェント検証を提案する。 Agentic Verifier は並列およびシーケンシャルTS の両方で一貫した性能向上が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-17T12:27:36Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• IMMACULATE: A Practical LLM Auditing Framework via Verifiable Computation [49.796717294455796]
  経済的なモチベーションのある逸脱を検出するための実践的な監査フレームワークIMMACULATEを提案する。 IMMACULATEは、検証可能な計算を用いて少数のリクエストを選択的に監査し、暗号オーバーヘッドを償却しながら強力な検出保証を達成する。
  論文  参考訳（メタデータ） (2026-02-26T07:21:02Z)
• 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)
• Governing AI Forgetting: Auditing for Machine Unlearning Compliance [30.173215964349044]
  我々は、認定されたアンラーニング理論と規制執行を統合することで、機械のアンラーニングコンプライアンスを監査するための最初の経済枠組みを導入する。 MUの本質的な不確かさを,証明された未学習の仮説検証解釈を用いて特徴付ける。 次に,オーディタとオペレータ間の戦略的相互作用を捉えるゲーム理論モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-16T08:32:09Z)
• Explainable automatic industrial carbon footprint estimation from bank transaction classification using natural language processing [6.354358255072839]
  提案手法は, 銀行取引に関連するCO2排出量を推定する。 局所的解釈可能なモデルを用いて,トランザクション記述から抽出した入力項の影響を評価する。
  論文  参考訳（メタデータ） (2024-05-23T12:43:06Z)
• RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits by enhancing SHapley Additive exPlanations [1.3333957453318743]
  本稿では,集約属性レベルのモデル出力を説明するRESHAPEを提案する。 以上の結果から,RESHAPEは最先端のベースラインと比較して多目的に説明できるという実証的証拠が得られた。 金融監査における非教師なしDL技術導入の次のステップとして,このような属性レベルの説明を想定する。
  論文  参考訳（メタデータ） (2022-09-19T16:23:43Z)

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。