論文の概要: Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience

• arxiv url: http://arxiv.org/abs/2607.19350v1
• Date: Sat, 02 May 2026 02:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.124713
• Title: Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience
• Title（参考訳）: ロバストなファイナンシャルフラッド検出と逆レジリエンスのためのハイブリッドLSTMグラフニューラルネットワークフレームワーク
• Abstract要約: 本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial institutions face significant challenges in detecting sophisticated money laundering patterns, such as smurfing and layering, due to extreme data imbalance (0.13% fraud rate) and evolving adversarial evasion tactics. This paper proposes FraudShield AI, a hybrid framework that integrates Long Short-Term Memory (LSTM) networks with hand-crafted Graph Topological Features to capture both temporal sequences and structural relational context. By engineering network-centric features including PageRank Centrality, In-Degree dynamics, and a custom Flow Ratio, the system shifts the detection paradigm from isolated transaction analysis to network-level forensics. A Focal Loss objective is used to address class imbalance, and a dynamic thresholding mechanism is introduced to improve resilience against low-value smurfing attacks. Experimental evaluation on the PaySim dataset shows that the proposed hybrid model substantially outperforms Logistic Regression and XGBoost baselines in Precision, Recall, and F1-Score, particularly on hard-to-detect micro-transaction fraud patterns. An ablation study confirms the complementary contribution of both the temporal and topological components.
• Abstract（参考訳）: 金融機関は、過度なデータ不均衡(0.13%の詐欺率)と敵の回避戦略の進化により、不正行為や階層化などの高度なマネーロンダリングパターンを検出する上で、重大な課題に直面している。 本稿では,Long Short-Term Memory(LSTM)ネットワークを手作りのグラフトポロジカル特徴と統合し,時間的シーケンスと構造的リレーショナルコンテキストの両方をキャプチャするハイブリッドフレームワークであるFraudShield AIを提案する。 PageRank Centrality、In-Degree dynamics、カスタムのFlow Ratioといったネットワーク中心の機能をエンジニアリングすることで、システムは、検出パラダイムを独立したトランザクション分析からネットワークレベルの法医学に移行する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。 PaySimデータセットの実験的評価によると、提案されたハイブリッドモデルは、特に検出困難なマイクロトランザクション不正パターンに基づいて、精度、リコール、F1スコアにおいて、ロジスティック回帰とXGBoostベースラインを大幅に上回る。 アブレーション研究では、時間的および位相的要素の相補的寄与が確認されている。

関連論文リスト

• Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection [46.657161089480375]
  本稿では,新しい階層型フェデレーション学習フレームワークを提案する。 このフレームワークは、相乗的な2層最適化戦略を編成する。 大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロレギュラー化の階層的な統合が二重レベルの不均一性をうまく中和することを示した。
  論文  参考訳（メタデータ） (2026-06-02T03:14:26Z)
• Entropy-Gradient Inversion: Moving Toward Internal Mechanism of Large Reasoning Models [47.195670444638715]
  トークンエントロピーとロジット勾配の堅牢な相関関係であるtextbfEntropy-Gradient Inversion を同定し,正式に定義する。 我々は,この逆シグネチャを強化学習に組み込んだtextbfCorrelation-Regularized Group Policy Optimization (CorR-PO)を提案する。 複数のモデルスケールにわたる様々な推論ベンチマークの実験は、Corr-POが最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-18T02:41:53Z)
• From Accuracy to Auditability: A Survey of Determinism in Financial AI Systems [16.784964226963744]
  規制された金融環境における機械学習は、アルゴリズムの脆弱性に重大な脆弱性を露呈する。 ディープニューラルネットワークと生成AIは、ハードウェアとアーキテクチャに根ざした機械的非決定性を導入している。 この調査は、現在金融AIを支配している3つのモダリティにわたる障害に関するシステム視点を提供する。
  論文  参考訳（メタデータ） (2026-05-11T17:46:38Z)
• 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)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vulnerability Detection [43.41293570032631]
  ParaVulは、スマートコントラクト脆弱性検出の信頼性と精度を向上させるための、検索強化フレームワークである。 LLM微調整のためのスパースローランド適応(SLoRA)を開発した。 脆弱性契約データセットを構築し,RAG(Retrieval-Augmented Generation)システムを開発した。
  論文  参考訳（メタデータ） (2025-10-20T03:23:41Z)
• ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets [44.76567557906836]
  適応アルゴリズムの開発と検証における根本的な問題は、現実世界の財務データに基礎的な真理が欠如していることである。 本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための新しいフレームワークProteuSを紹介する。 生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。
  論文  参考訳（メタデータ） (2025-08-30T21:01:47Z)
• Disentangled Lottery Tickets: Identifying and Assembling Core and Specialist Subnetworks [0.2730969268472861]
  Lottery Ticket仮説は、大きなニューラルネットワークでは、スパースでトレーニング可能な"勝利チケット"が存在することを示唆している。 本稿では,ディスタングル・ロタリー・チケット(DiLT)仮説を提案する。この仮説は,交叉マスクが普遍的でタスクに依存しない「コア」サブネットワークであることを示すものである。 ImageNetと、ResNetやVision Transformerアーキテクチャを使ったStanford Carsのようなきめ細かいデータセットの実験では、"core"チケットは優れた転送学習性能を提供し、"specialist"チケットはモジュラーアセンブリを可能にするドメイン固有の特徴を保持し、完全に再組み立てされた"union"チケットはCOLTを上回っている。
  論文  参考訳（メタデータ） (2025-08-23T06:24:15Z)
• Detecting Financial Fraud with Hybrid Deep Learning: A Mix-of-Experts Approach to Sequential and Anomalous Patterns [0.0]
  本研究では、Mixture of Experts(MoE)フレームワークとRecurrent Neural Networks(RNN)、Transformer Encoders、Autoencodersを統合したクレジットカード不正検出用ハイブリッドアーキテクチャを提案する。 MoEフレームワークは専門家の予測責任を動的に割り当て、適応的で文脈に敏感な意思決定を可能にする。 提案するハイブリッドシステムは、ますます洗練された詐欺パターンを検出するために、スケーラブルでモジュラーで規制対応のアプローチを提供する。
  論文  参考訳（メタデータ） (2025-04-01T20:47:18Z)
• Improving $(α, f)$-Byzantine Resilience in Federated Learning via layerwise aggregation and cosine distance [7.8973037023478785]
  フェデレートラーニング(FL)は、分散機械学習におけるデータプライバシの課題に対する潜在的な解決策である。 FLシステムは、悪意のあるノードが破損したモデル更新に寄与するビザンティン攻撃に弱いままである。 本稿では,高次元設定における規則の堅牢性向上を目的とした新しいアグリゲーション手法であるLayerwise Cosine Aggregationを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T08:07:39Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)

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。