論文の概要: Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework

• arxiv url: http://arxiv.org/abs/2608.15447v1
• Date: Sat, 15 Aug 2026 23:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.30224
• Title: Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework
• Title（参考訳）: ルワンダのモバイルマネーにおけるマネーロンダリングの検出 - マシンラーニングフレームワーク
• Abstract要約: 本稿では,ルワンダのAML/CFT体制に沿ったトランザクション監視フレームワークを開発し,評価する。 9,504,852のトランザクションと17の型を合成したデータセットを使用して、アカウント中心の行動特徴を設計する。 我々は、スコアバンドをルワンダ関連アナリストとSTR/SARエスカレーションにマップし、ルワンダ国立銀行による合成プロトタイピングから実データ検証までの段階的な経路を概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile money has widened financial access across Sub-Saharan Africa and enlarged the surface for money-laundering and terrorism-financing (ML/TF) activity in ecosystems dominated by high-volume, low-value transactions. Rwanda is a case in point: several million active mobile-money users, telecom-led wallets on the MTN and Airtel networks, and a Financial Intelligence Centre (FIC) supervising transaction streams whose scale exceeds static rule-based monitoring. This paper develops and evaluates a transaction-monitoring framework aligned to the Rwandan AML/CFT regime under (i) extreme class imbalance (~0.1% prevalence), (ii) scarce and delayed labels, and (iii) bounded investigator capacity. Using SAML-D, a synthetic dataset of 9,504,852 transactions with 17 laundering typologies, we engineer account-centric behavioural features (rolling velocity, net-flow directionality, counterparty diversity, burstiness) and benchmark supervised classifiers (Logistic Regression, Random Forest, LightGBM), unsupervised anomaly detectors (Isolation Forest, Local Outlier Factor), a dense autoencoder, and a late-fusion meta-learner. Evaluation is operational: PR-AUC, recall at a calibrated ~90%-precision point, recall at top-K%, and alerts per 10,000. On the chronologically held-out test period, LightGBM attains PR-AUC = 0.0469, capturing 64 laundering cases at precision ~0.89 with 0.51 alerts per 10,000; the fusion stacker reaches PR-AUC = 0.0477 at precision ~0.91 and 0.46 alerts per 10,000, recovering 59 true positives. We map score bands to Rwanda-relevant analyst workflows and STR/SAR escalation, and outline a staged path from synthetic prototyping to real-data validation with the National Bank of Rwanda and FIC. The contribution is operational: a governance-aware pipeline and evaluation protocol calibrated to the constraints of an African mobile-money regulator, not a new algorithm.
• Abstract（参考訳）: モバイルマネーはサハラ以南のアフリカにおける金融アクセスを拡大し、高ボリュームの低価値取引が支配する生態系におけるマネーロンダリングとテロリズム・ファイナンシング(ML/TF)活動の表面を拡大した。 数百万のアクティブなモバイルマネーユーザ、MTNとAirtelネットワーク上のテレコム主導のウォレット、および静的なルールベースの監視を超えるトランザクションストリームを監視する金融情報センター(FIC)である。 本稿では,ルワンダのAML/CFT体制に沿ったトランザクション監視フレームワークを開発し,評価する。 (i)極度の階級不均衡(~0.1%有病率) (二 ラベルの不足及び遅れ 三 捜査員の能力の制限。 SAML-Dは,9,504,852のトランザクションと17の洗浄タイプを合成したデータセットであり,アカウント中心の行動特徴(ローリングベロシティ,ネットフロー指向性,多様性,バーストネス)とベンチマーク教師付き分類器(ロジスティック回帰,ランダムフォレスト,ライトGBM),教師なし異常検出器(アイソレーションフォレスト,ローカルアウトリアファクタ),密集型オートエンコーダ,遅延融合メタラーナを設計した。 PR-AUC、校正された90%精度ポイントでのリコール、トップK%でのリコール、1万あたりのアラート。 時系列的に保持されたテスト期間において、LightGBMはPR-AUC = 0.0469を達成し、64件の洗浄ケースを精度 ~0.89 で捕捉し、1万あたり 0.51 の警告を処理し、融合スタックはPR-AUC = 0.0477 の精度 ~0.91 と 0.46 の警告に到達し、59 の正を回復した。 我々は、スコアバンドをルワンダ関連アナリストワークフローとSTR/SARエスカレーションにマッピングし、合成プロトタイピングから、ルワンダ国立銀行とFICによる実データ検証までの段階的な経路を概説する。 ガバナンスを意識したパイプラインと評価プロトコルは、新たなアルゴリズムではなく、アフリカのモバイルマネーレギュレータの制約に合わせて調整されている。

関連論文リスト

• $Z^2$-ACT: End-to-End Verifiable Agentic Intent Control for Open 6G RAN [43.15181031994434]
  本稿では,ゼロ知識監査制御とゼロ信頼検証エージェントインテントアーキテクチャを提案する。 実大規模言語モデルは、オペレータの意図をIntent Contractsに変換するために、非リアルタイムパスで使用される。 その結果、動作フィルタリングと攻撃レジリエンスを適度なレイテンシとシグナリングコストで改善したことが示唆された。
  論文  参考訳（メタデータ） (2026-08-21T12:44:03Z)
• FlowShield: cryptocurrency anti-money laundering with transaction semantics parsing and fund flow tracking [46.45233269509415]
  textscFlowShieldは、トランザクションレベルの洗浄検知と調査対象のレポート生成のためのCrypto AMLフレームワークである。 textscFlowShieldは3つの相補的な視点からファンドフローのサブグラフを再構築する。 次に、大きな言語モデル(LLM)エンコードされたセマンティクスと、グラフ畳み込みネットワーク(GCN)エンコードされた構造を持つフローテキストとの相互作用を可能にする、テキスト構造融合機構を使用する。
  論文  参考訳（メタデータ） (2026-08-18T04:21:19Z)
• From Viral to Void: Multi-Dimensional Behavioral and Contractual Analysis for Rug Pull Identification [2.7875224007687827]
  ラッシュプル詐欺は、極端に低い配備コスト、隠蔽実行、迅速な資金移動、高い検出困難が特徴である。 本稿では,悪意のあるスマートコントラクト設計,オンチェーントランザクション異常,流動性操作,ソーシャルメディア開示といった次元に基づく多次元機能システムを開発する。 実験の結果、このモデルは0.927の精度、F1スコア0.787の精度、AUC-ROC0.952の精度を実現し、従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-08-03T02:34:24Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation [0.17188280334580197]
  マネーロンダリングは世界中の金融機関にとって永続的な課題である。 従来のマネーロンダリングのアプローチは、主に事前に定義されたリスクベースのルールに依存している。 金融データセットにおけるマネーロンダリング(あるいは不審な)トランザクションを検出するための高度な教師付き学習手法であるExSTraQtを提案する。
  論文  参考訳（メタデータ） (2026-04-03T09:14:39Z)
• LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
  評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。 このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。 チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:03:32Z)
• AgentRaft: Automated Detection of Data Over-Exposure in LLM Agents [40.88941407116349]
  本稿では,大規模言語モデル(LLM)エージェントにおけるデータオーバー露光(DOE)リスクを検出するための,最初の自動化フレームワークであるAgentRaftを紹介する。 実世界のエージェントツール6,675のテスト環境でAgentRaftを評価した。
  論文  参考訳（メタデータ） (2026-03-08T09:40:54Z)
• AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions [3.1459290341742676]
  AMLNetは知識ベースのマルチエージェントフレームワークで、2つの調整されたユニット、規制対応トランザクションジェネレータとアンサンブル検出パイプラインを備えている。 このジェネレータはコア洗浄フェーズと高度なタイポロジーにまたがる1,090,173の合成トランザクションを生成する。 検出アンサンブルF1 0.90は、外部のSynthAMLデータセットに適応し、アーキテクチャ上の一般化性を示している。
  論文  参考訳（メタデータ） (2025-09-15T05:25:46Z)
• AMLgentex: Mobilizing Data-Driven Research to Combat Money Laundering [1.6830247282478483]
  マネーロンダリングは、不正資金を合法経済に移すことによって組織犯罪を可能にする。 ラダーダラーは監視を逃れる 確認されたケースは稀で 組織はグローバル取引ネットワークの 断片しか見ていない
  論文  参考訳（メタデータ） (2025-06-03T15:28:09Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• 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)
• Delator: Automatic Detection of Money Laundering Evidence on Transaction Graphs via Neural Networks [1.904940310103857]
  マネーロンダリング活動を検出する新しいCAAT(Computer-assisted audit technology)であるDELATORを提案する。 ブラジルの銀行と共同で、数百万のクライアントからなる歴史的データ上でのDelaTORのパフォーマンスを定量化するための評価戦略を設計し、適用する。
  論文  参考訳（メタデータ） (2022-05-20T16:44:58Z)
• CubeFlow: Money Laundering Detection with Coupled Tensors [39.26866956921283]
  マネーロンダリング(英: Money laundering、ML)とは、不正な活動によって達成された資金源を隠す行動である。 既存のほとんどの手法はグラフやテンソルの密度の高いブロックを検知するが、これは貨幣がしばしば中間口座を通じて転送されるという事実を考慮しない。 この論文で提案されているCubeFlowは、大量のトランザクションから不正を見つけるためのスケーラブルでフローベースのアプローチである。
  論文  参考訳（メタデータ） (2021-03-23T09:24:31Z)

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。