論文の概要: FraudBench: Protocol-Sensitive Benchmarking of Adversarial Robustness for Financial Risk Assessment
- arxiv url: http://arxiv.org/abs/2608.24551v1
- Date: Tue, 25 Aug 2026 13:36:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.005035
- Title: FraudBench: Protocol-Sensitive Benchmarking of Adversarial Robustness for Financial Risk Assessment
- Title（参考訳）: FraudBench:金融リスク評価のための逆境ロバスト性のプロトコル敏感なベンチマーク
- Abstract要約: FraudBenchは、金融詐欺と信用リスク検出における敵の堅牢性評価のためのプロトコルに敏感なベンチマークである。
その結果,ロバストネスの結論はプロトコルに敏感であることが示唆された。
- 参考スコア（独自算出の注目度）: 16.621035159362265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models are widely used in financial fraud and credit-risk detection, yet their adversarial robustness remains difficult to evaluate because financial tabular data involve domain-specific constraints, severe class imbalance, and asymmetric attacker capability. We argue that, in this setting, robustness is not only an attribute of the model, but also an attribute of the evaluation protocol. Different ways of enforcing constraints and capability can lead to substantially different robustness conclusions. This paper presents FraudBench, a protocol-sensitive benchmark for adversarial robustness evaluation in financial fraud and credit-risk detection. Rather than treating domain constraints as post-hoc validity checks, FraudBench evaluates the same dataset--model--attack--defence setting under three matched protocols: unconstrained attacks, post-hoc feasibility filtering, and deployment-aware constraint-integrated attacks. FraudBench covers four public financial datasets, and evaluates neural, tree-based, and ensemble models using three attack settings. Our results show that robustness conclusions are highly protocol-sensitive. On Lending Club Loan Data under the white-box setting, post-hoc filtering leaves only 3.7 feasible-flipped examples on average, whereas in-attack projection with attacker mutability masking produces 2,832.3 feasible-flipped examples under the same perturbation budget. The results on IEEE-CIS further show that feasibility and attacker capability are separate axes, while black-box evaluation shows that protocol choice can alter model-family rankings. These findings suggest that fraud robustness evaluation should report predictive degradation and attack feasibility jointly, and should incorporate domain constraints into attack generation rather than treating them as post-processing checks.
- Abstract（参考訳）: マシンラーニングモデルは、金融詐欺や信用リスク検出に広く使用されているが、その逆の堅牢性は、ドメイン固有の制約、厳密なクラス不均衡、非対称攻撃能力を含むため、評価が難しいままである。
この設定では、堅牢性はモデルの属性であるだけでなく、評価プロトコルの属性でもある、と我々は主張する。
制約と能力の異なる方法によって、ロバストネスの結論はかなり異なる。
本稿では,FraudBenchについて,金融詐欺と信用リスク検出における対人ロバスト性評価のためのプロトコルセンシティブなベンチマークを提案する。
ドメイン制約をホック後の妥当性チェックとして扱うのではなく、FraudBench氏は、制約のない攻撃、ホック後の可能性フィルタリング、デプロイメント対応の制約統合攻撃という3つのマッチしたプロトコルの下で、同じデータセット-モデル-アタック-ディフェンスの設定を評価している。
FraudBenchは4つの公開財務データセットをカバーし、3つのアタック設定を使用してニューラル、ツリーベース、アンサンブルモデルを評価する。
その結果,ロバストネスの結論はプロトコルに敏感であることが示唆された。
ホワイトボックス設定下のレンディングクラブローンデータでは、ポストホックフィルターの葉は平均で3.7本、攻撃者のミュータビリティマスキングによるインアタックプロジェクションは2,832.3本である。
IEEE-CISの結果はさらに、実行可能性と攻撃能力が別個の軸であることを示し、ブラックボックス評価はプロトコルの選択がモデル階層のランキングを変更することを示している。
これらの結果から, 不正堅牢性評価は, 予測劣化と攻撃可能性を共同で報告し, ドメイン制約を後処理チェックとして扱うのではなく, 攻撃生成に組み込むことが示唆された。
関連論文リスト
- Raw-Curve Quantum Fingerprints: A Mahalanobis Authentication Framework with Drift Early Warning and Adversarial Detection [11.819995530903567]
量子クラウドプラットフォームは強力なコンピューティング機能を提供することを目指しているが、ユーザは、どの物理デバイスがワークロードを実行するかを検証する直接的な手段を持っていない。
この透明性の欠如により、悪意のある敵がジョブを代替または劣等なプロセッサにリダイレクトするハードウェア置換攻撃が可能になる。
実測データから多次元量子指紋を構築することにより,この問題に対処する汎用認証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-10T04:10:21Z) - Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection [0.0]
本研究では,不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Learning (DSFL)を提案する。
DSFLはトポロジを動的シャーディングに置き換え、O(N2) から m(N2) への複雑さを減らす
インサイダーの脅威を軽減するために,加法的同型コミットメント機構である線形積分タグを導入する。
論文 参考訳（メタデータ） (2026-04-25T20:49:22Z) - MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。
既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。
OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
論文 参考訳（メタデータ） (2025-06-03T01:37:09Z) - Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。
ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。
我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。
我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
論文 参考訳（メタデータ） (2025-04-07T03:57:41Z) - Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。
我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
論文 参考訳（メタデータ） (2024-06-04T04:43:30Z) - Provably Unlearnable Data Examples [27.24152626809928]
原文(投稿日:2012/09/19)へのリンク 未許可のモデルでは、共有データを学習不能にするための努力が続けられている。
本稿では、学習不能データセットのいわゆる$(q, eta)$-Learnabilityを認証するためのメカニズムを提案する。
認証の低い$(q, eta)$-Learnabilityは、データセットに対するより堅牢で効果的な保護を示している。
論文 参考訳（メタデータ） (2024-05-06T09:48:47Z) - A Unified Evaluation of Textual Backdoor Learning: Frameworks and
Benchmarks [72.7373468905418]
我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。
また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
論文 参考訳（メタデータ） (2022-06-17T02:29:23Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳（メタデータ） (2021-09-22T12:46:04Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。
我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。
分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文 参考訳（メタデータ） (2020-10-19T17:06:18Z)
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。