論文の概要: ChequeMark: An Ensemble Machine Learning Framework for After-Hours Business Deposit Fraud Detection

• arxiv url: http://arxiv.org/abs/2608.21629v1
• Date: Fri, 21 Aug 2026 21:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.333173
• Title: ChequeMark: An Ensemble Machine Learning Framework for After-Hours Business Deposit Fraud Detection
• Title（参考訳）: ChequeMark: 後時間ビジネスデポジット不正検出のためのアンサンブル機械学習フレームワーク
• Abstract要約: チェークの不正行為は、1営業日以内に資金が放出される可能性があり、チェークの清算には数日を要するため、時間外預金業務において重大なリスクである。 本稿では,既知の不正パターンに対するXGBoost(Extreme Gradient Boosting),ラベルのない異常検出のための分離フォレスト(Isolation Forest),トランザクションアクティビティに関連するリレーショナルパターンに対するGraph Sample and Aggregate(GraphSAGE)という,マルチビュー・アンサンブル・MLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.847320494918926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cheque fraud is a material risk in after-hours business deposit operations because funds may be released within one business day, while cheque clearing takes several days. This timing gap creates a fraud exposure window for financial institutions. Prior mitigation relies on static, deposit-level checks and therefore miss historical client behavior and evolving patterns. To address this gap, we propose a multi-view ensemble ML framework that combines: Extreme Gradient Boosting (XGBoost) for known fraud patterns, Isolation Forest for label-free anomaly detection, and Graph Sample and Aggregate (GraphSAGE) for relational patterns associated with transaction activities. We then combine the three outputs into a single client-level risk score. Under stable conditions, performance is comparable to XGBoost; under a targeted distribution shift, our framework performs best (F1: 83.77%, FPR: 0.69%) versus XGBoost (F1: 82.77%, FPR: 0.72%). These results indicate improved robustness to distribution shift while preserving interpretability through plain-language explanations grounded in behavioural, anomaly, and relational evidence.
• Abstract（参考訳）: チェークの不正行為は、1営業日以内に資金が放出される可能性があり、チェークの清算には数日を要するため、時間外預金業務において重大なリスクである。 このタイミングギャップは金融機関にとって不正暴露の窓口となる。 以前の緩和は静的な預金レベルのチェックに依存しており、したがって過去のクライアントの振る舞いや進化するパターンを見逃している。 このギャップに対処するために、既知の不正パターンに対するXGBoost(Extreme Gradient Boosting)、ラベルなし異常検出のための分離フォレスト、トランザクションアクティビティに関連するリレーショナルパターンのためのGraph Sample and Aggregate(GraphSAGE)という、マルチビュー・アンサンブル・MLフレームワークを提案する。 そして、3つのアウトプットを1つのクライアントレベルのリスクスコアにまとめます。 安定した条件下では、パフォーマンスはXGBoostに匹敵する。ターゲットの分散シフトの下では、我々のフレームワークは、ベスト(F1: 83.77%、FPR: 0.69%)、XGBoost(F1: 82.77%、FPR: 0.72%)に対してベスト(F1: 83.77%、FPR: 0.72%)である。 これらの結果は, 行動, 異常, リレーショナルエビデンスに基づく平易な説明による解釈性を保ちながら, 分布変化に対する堅牢性の向上を示唆している。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Graph-Transformer Fraud Detection with Self-Supervised Pretraining and Conformal Risk Control [0.0]
  GTFDは企業の支払いグラフから構造的および時間的証拠を抽出する。 偽陽性率は、最強のベースラインと比較して約29%減少する。 摂動マグニチュード0.20では89.2%の精度を維持し、次のベストモデルでは76.4%に低下する。
  論文  参考訳（メタデータ） (2026-09-13T01:56:22Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• From Viral to Void: Multi-Dimensional Behavioral and Contractual Analysis for Rug Pull Identification [2.7875224007687827]
  ラッシュプル詐欺は、極端に低い配備コスト、隠蔽実行、迅速な資金移動、高い検出困難が特徴である。 本稿では,悪意のあるスマートコントラクト設計,オンチェーントランザクション異常,流動性操作,ソーシャルメディア開示といった次元に基づく多次元機能システムを開発する。 実験の結果、このモデルは0.927の精度、F1スコア0.787の精度、AUC-ROC0.952の精度を実現し、従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-08-03T02:34:24Z)
• AWARE-FX: An Auditable Knowledge-Guided AI System for Measuring Corporate Foreign-Exchange Hedging Disclosure [5.667104793245957]
  企業年次報告書には、外国為替リスク管理、デリバティブ・ユース、ナチュラル・ヘッジ、明示的な非使用に関する弱い構造化された証拠が含まれている。 本研究では,AI/NLP意思決定支援システムであるAWARE-FXを開発した。
  論文  参考訳（メタデータ） (2026-07-30T02:58:46Z)
• Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling [3.1262100364392205]
  分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-03-14T08:25:42Z)
• LROO Rug Pull Detector: A Leakage-Resistant Framework Based on On-Chain and OSINT Signals [1.0382948833881696]
  rug pullはスマートコントラクトベースのエコシステムにおける最も一般的な攻撃の1つです。 本稿では,早期のラグプル検出のためのリーク・アウェア・フレームワークを提案する。 オンチェーンの行動メトリクスと時間的に整合したオープンソースインテリジェンス(OSINT)信号を統合する。
  論文  参考訳（メタデータ） (2026-03-11T21:35:53Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
  我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。 成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。 モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
  論文  参考訳（メタデータ） (2025-11-26T01:28:22Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。