論文の概要: FinFraudBench: A Heterogeneous Graph Benchmark for Financial Fraud Detection

• arxiv url: http://arxiv.org/abs/2608.15177v1
• Date: Sat, 15 Aug 2026 11:34:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.216815
• Title: FinFraudBench: A Heterogeneous Graph Benchmark for Financial Fraud Detection
• Title（参考訳）: FinFraudBench:金融不正検出のための不均一グラフベンチマーク
• Abstract要約: FinBenchは金融詐欺検出のための異種グラフベンチマークである。 我々は最大8.99Mノードと89.23M有向型付きエッジを持つ2つの異種グラフデータセット(Card-FraudとBankTrans-Credit)を提示する。 各データセットは6つの金融エンティティタイプ、14の有向エッジタイプ、デプロイメント制約を反映する自然詐欺率を保持する。
• 参考スコア（独自算出の注目度）: 13.002851984467158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing complexity of digital financial systems has reshaped financial fraud detection from isolated transaction classification into relational risk reasoning over interconnected financial entities. This shift has motivated graph-based fraud detection, where models identify fraudulent nodes by exploiting dependencies among customers, cards, merchants, categories, and locations. However, despite rapid progress in graph-based methods, existing public benchmarks remain misaligned with real-world financial systems in two important aspects. First, they often simplify financial ecosystems into homogeneous or single-node-type multi-relational graphs, failing to preserve the multi-entity and multi-relational nature of financial data. Second, they rarely provide large-scale heterogeneous financial graph datasets with realistic operating conditions such as extreme class imbalance and limited label availability, making it difficult to assess the practical effectiveness of current methods. To address these gaps, we present FinFraudBench, a heterogeneous graph benchmark for financial fraud detection. FinFraudBench contains two heterogeneous graph datasets (CreditCard-Fraud and BankTrans-Fraud) with up to 8.99M nodes and 89.23M directed typed edges. Each dataset preserves six financial entity types, fourteen directed edge types, and natural fraud rates that mirror deployment constraints. With these datasets, we establish a standardized evaluation protocol covering both ranking and imbalance-sensitive classification metrics, and evaluate representative baselines. Extensive experiments yield empirical insights into current methods' limitations and suggest promising avenues for future research. FinFraudBench is available at https://anonymous.4open.science/r/FinFraudBench-B002.
• Abstract（参考訳）: デジタル金融システムの複雑さの増大は、個別の取引分類から相互接続された金融エンティティに対するリレーショナルリスク推論へと、金融詐欺検出を再構築した。 このシフトは、顧客、カード、商人、カテゴリー、場所間の依存関係を利用して、モデルが不正ノードを識別するグラフベースの不正検出を動機付けている。 しかし、グラフベースの手法の急速な進歩にもかかわらず、既存の公開ベンチマークは、2つの重要な側面において現実世界の金融システムと相容れないままである。 まず、金融エコシステムを均質または単一ノード型のマルチリレーショナルグラフに単純化することが多く、金融データのマルチエンタリティとマルチリレーショナルな性質を維持できない。 第2に、極端なクラス不均衡やラベルの可用性の制限といった現実的な操作条件を備えた大規模不均一な金融グラフデータセットを提供することはめったにないため、現在の手法の実用性を評価することは困難である。 これらのギャップに対処するため、金融不正検出のための不均一なグラフベンチマークであるFinFraudBenchを提案する。 FinFraudBenchには2つの異種グラフデータセット(CreditCard-FraudとBankTrans-Fraud)があり、最大8.99Mノードと89.23M有向型付きエッジがある。 各データセットは6つの金融エンティティタイプ、14の有向エッジタイプ、デプロイメント制約を反映する自然詐欺率を保持する。 これらのデータセットを用いて、ランキングと非バランスに敏感な分類指標の両方をカバーする標準化された評価プロトコルを確立し、代表的ベースラインを評価する。 大規模な実験は、現在の方法の限界に関する経験的な洞察を与え、将来の研究に有望な道を提案する。 FinFraudBenchはhttps://anonymous.4open.science/r/FinFraudBench-B002で入手できる。

関連論文リスト

• FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
  FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。 12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。 FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
  論文  参考訳（メタデータ） (2025-06-03T06:44:42Z)
• Corporate Fraud Detection in Rich-yet-Noisy Financial Graph [13.061327697762287]
  企業不正検出は、不正な財務声明や不正なインサイダー取引などの不正行為を行う企業を自動的に認識することを目的としている。 従来の学習ベースの手法では,企業ネットワーク内でのリッチなインタラクションを効果的に統合できない。 中国における18年間の財務記録を分析し、3つのグラフデータセットと不正ラベルを作成します。
  論文  参考訳（メタデータ） (2025-02-26T17:05:54Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
  本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。 提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
  論文  参考訳（メタデータ） (2024-10-10T17:05:27Z)
• Starlit: Privacy-Preserving Federated Learning to Enhance Financial Fraud Detection [2.436659710491562]
  Federated Learning(FL)は、さまざまなクライアントとローカルデータの間で協調的なモデルトレーニングを可能にする、データ最小化のアプローチである。 不正な金融取引を識別するための最先端のFLソリューションは、以下の制限のサブセットを示している。 Starlitは,これらの制限を克服する,スケーラブルなプライバシ保護機構である。
  論文  参考訳（メタデータ） (2024-01-19T15:37:11Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• A Semi-supervised Graph Attentive Network for Financial Fraud Detection [30.645390612737266]
  本稿では,多視点ラベル付きおよびラベルなしデータを不正検出に用いる半教師付き減衰型グラフニューラルネットワークSemiSemiGNNを提案する。 ソーシャルリレーションとユーザ属性を利用することで,2つのタスクにおける最先端手法と比較して精度が向上する。
  論文  参考訳（メタデータ） (2020-02-28T10:35:25Z)

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。