論文の概要: Detection, Attribution, Narration: An End-to-End Pipeline for Explainable Money Mule Identification
- arxiv url: http://arxiv.org/abs/2607.17586v1
- Date: Mon, 20 Jul 2026 06:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.511722
- Title: Detection, Attribution, Narration: An End-to-End Pipeline for Explainable Money Mule Identification
- Title（参考訳）: 発見・属性・ナレーション:説明可能なマネーミュール識別のためのエンドツーエンドパイプライン
- Abstract要約: マネーミュール口座は金融詐欺の重要なファシリテーターである。
顧客レベルのミュール検出のためのエンドツーエンドパイプラインを提案する。
大規模言語モデル(LLM)モジュールは、SHAP属性を分析対象の自然言語の物語に変換する。
- 参考スコア（独自算出の注目度）: 7.67050251421177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Money mule accounts are critical facilitators of financial fraud, yet detecting them at scale remains challenging due to the heterogeneous nature of transactional and behavioural data. We present an end-to-end pipeline for customer-level mule detection comprising three stages: (1) a LightGBM classifier trained on 280 engineered features spanning transaction patterns, account demographics, network topology, and temporal behaviour; (2) a TreeSHAP attribution layer that decomposes each prediction into feature contributions; and (3) a large language model (LLM) module that converts SHAP attributions into analyst-facing natural-language narratives. We evaluate across three open-weight LLM families and assess explanation quality through analyst feedback. In a live production deployment, the system achieves a yield rate of 89%, up from 61% under the incumbent rule-based system, with monthly alert volume expanding from 211 to 302, reflecting broader true-positive coverage rather than increased noise. This corresponds to a 60% incremental adverse detection beyond existing review workflows, substantially outperforming the rule-based approach. Qualitative feedback from analysts indicates that LLM-generated narratives reduce cognitive load during alert triage. We further discuss implications of deploying LLM-augmented explainability in regulated financial environments.
- Abstract（参考訳）: マネーミュール口座は金融詐欺の重要なファシリテーターであるが、取引データと行動データの異質性のため、大規模に検知することは依然として困難である。
1)取引パターン,アカウント統計,ネットワークトポロジ,時間的行動にまたがる280のエンジニアリングされた特徴に基づいて訓練されたLightGBM分類器,(2)各予測を特徴的寄与に分解するTreeSHAP属性層,(3)SHAP属性を分析対象の自然言語物語に変換する大規模言語モデル(LLM)モジュールの3段階からなる顧客レベルのミュール検出のためのエンドツーエンドパイプラインを提案する。
オープンウェイトLLMファミリーを3つに分けて評価し,分析フィードバックによる説明品質の評価を行った。
実運用環境では,既存のルールベースシステムでは61%から89%の収率を達成し,毎月のアラート量は211から302に拡大し,ノイズの増加よりもより広範な真のカバレッジを反映している。
これは、既存のレビューワークフローを超えて、60%のインクリメンタルな不適切な検出に対応しており、ルールベースのアプローチを大幅に上回っている。
アナリストからの質的なフィードバックは、LCMが生成する物語が警告トリアージ時の認知負荷を減少させることを示している。
また、規制金融環境におけるLCM強化説明可能性の展開の意味についても論じる。
関連論文リスト
- A2RBench: An Automatic Paradigm for Formally Verifiable Abstract Reasoning Benchmark Generation [59.98516959731531]
抽象推論能力は、抽象ルールを抽出し適用するためのLLMの知性と能力を反映する。
既存のベンチマークは、高価な手作業のアノテーション、そのスケールの制限、あるいは真の推論ではなく暗記のリスク測定に頼っている。
我々はA2RBenchという名の自動パイプラインを導入し、生成、拡張、評価、分析を行う。
論文 参考訳（メタデータ） (2026-05-17T06:14:20Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - Explainable AML Triage with LLMs: Evidence Retrieval and Counterfactual Checks [19.272001035427987]
本稿では,トリアージをエビデンス制約決定プロセスとして扱う,説明可能なAMLトリアージフレームワークを提案する。
提案手法は, (i) ポリシー/タイポロジーガイダンス, 顧客コンテキスト, 警告トリガ, トランザクションサブグラフと, (ii) 明示的な引用を必要とする構造的LCM出力契約, (iii) 矛盾や欠落した証拠から分離する構造的LCM出力契約, (iii) 最小限の, 妥当な摂動が, トリアージの推奨と理性の両方に一貫性のある変化をもたらすかどうかを検証した事実チェックを組み合わせる。
論文 参考訳（メタデータ） (2026-03-22T05:51:40Z) - CN-Buzz2Portfolio: A Chinese-Market Dataset and Benchmark for LLM-Based Macro and Sector Asset Allocation from Daily Trending Financial News [21.498084305999992]
大規模言語モデル(LLM)は、静的自然言語処理(NLP)タスクから動的意思決定エージェントへと急速に移行している。
直接のライブトレーディングは非生産的であり、スキルに幸運を抱くことによって結果バイアスを起こす傾向にあるが、既存の静的ベンチマークはエンティティレベルの株式選択に限定され、より広範な市場注目を無視することが多い。
この研究は、一般的な推論と金融決定の整合性に関する新たな洞察を与え、持続可能な金融エージェントの研究を促進するために、すべてのデータ、コード、実験がリリースされる。
論文 参考訳（メタデータ） (2026-03-18T02:31:28Z) - LLM-based Triplet Extraction from Financial Reports [39.146761527401424]
Ontology Conformance と Faithfulness を用いた半自動三重項抽出パイプラインを提案する。
また, LLM-as-a-judge チェックとのマッチングを併用し, 被験者の幻覚率を65.2%から1.6%に下げるハイブリッド検証戦略を提案する。
論文 参考訳（メタデータ） (2026-02-12T12:36:10Z) - Understanding Structured Financial Data with LLMs: A Case Study on Fraud Detection [17.04809129025246]
FinFRE-RAGは、数値・分類属性のコンパクトなサブセットを自然言語にシリアライズするために重要誘導特徴量削減を適用した2段階のアプローチである。
LLMは人間の読みやすい説明を作成し、特徴分析を促進することができるため、詐欺分析者の手作業の負担を軽減できる可能性がある。
論文 参考訳（メタデータ） (2025-12-15T07:09:11Z) - FinLFQA: Evaluating Attributed Text Generation of LLMs in Financial Long-Form Question Answering [57.43420753842626]
FinLFQAは、複雑な財務問題に対する長文の回答を生成するための大規模言語モデルの能力を評価するために設計されたベンチマークである。
回答品質と属性品質の両方をカバーする自動評価フレームワークを提供する。
論文 参考訳（メタデータ） (2025-10-07T20:06:15Z) - Intrinsic Meets Extrinsic Fairness: Assessing the Downstream Impact of Bias Mitigation in Large Language Models [11.396244643030983]
大規模言語モデル(LLM)は、下流のタスクに伝播する社会経済的バイアスを示す。
本研究では,非学習概念による内在バイアス緩和と,反事実データ拡張による外在バイアス緩和を比較するための統合評価フレームワークを提案する。
その結果,非学習による内在的偏見緩和は,内在性偏見を最大94.9%減少させるとともに,人口順等下流のタスクフェアネス指標を最大82%向上させ,精度を損なうことなく改善することを示した。
論文 参考訳（メタデータ） (2025-09-19T22:59:55Z) - Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。
11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。
最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
論文 参考訳（メタデータ） (2024-07-23T15:31:26Z) - 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)
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。