論文の概要: Cyber-Financial Contagion: Modeling the Propagation of an AI Vendor Compromise Through the Banking System
- arxiv url: http://arxiv.org/abs/2609.10350v1
- Date: Wed, 09 Sep 2026 15:46:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.08699
- Title: Cyber-Financial Contagion: Modeling the Propagation of an AI Vendor Compromise Through the Banking System
- Title（参考訳）: サイバーファイナンシャル感染:銀行システムを通してAIベンダが競合する伝播をモデル化する
- Abstract要約: 本稿では,これらのベンダ内の妥協が,運用上の,情報的,財務的な連携の連鎖に沿ってどのように進展するかを検討する。
私たちは、AIベンダー、金融機関、銀行間暴露、顧客アカウントを結合する4層ヘテロジニアスネットワークを構築しています。
本稿では,CFC-Propを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The banking system now depends on a small set of shared artificial intelligence vendors for fraud screening, credit decisioning, anti-money-laundering triage, customer analytics, and internal decision support. This paper studies how a compromise inside one of those vendors can propagate along a chain of operational, informational, and financial linkages until it triggers losses that look, from the outside, like a classical banking crisis. We build a four-layer heterogeneous network that couples AI vendors, financial institutions, interbank exposures, and customer accounts, and we propose CFC-Prop, a stochastic epidemic-and-clearing model that runs on that network. On a synthetic dataset with 60 vendors, 220 banks, roughly 2,500 vendor-bank service edges, and 1,400 interbank exposures, CFC-Prop reproduces the heavy-tailed loss distributions and the sharp dependence on patch latency that are consistent with prior cyber-financial evidence. We also train an early-warning model, CFC-GNN, that uses vendor-side incident telemetry and graph structure to flag high-cascade-risk vendors before impact. Across four baselines the proposed model reaches AUROC 0.82 and AUPRC 0.60 while keeping calibration errors bounded. We release the full code, synthetic data, and reproducible scripts. The results argue that cyber concentration among AI vendors is a first-order financial-stability problem and give supervisors a concrete quantitative tool for reasoning about it.
- Abstract（参考訳）: 銀行システムは現在、詐欺スクリーニング、信用決定、マネーロンダリング防止トリアージ、顧客分析、内部決定支援など、少数の人工知能ベンダーに依存している。
本稿では、従来の銀行危機のように外部から損失を生じさせるまで、これらのベンダーの1つ内での妥協が、運用、情報、金融の連鎖に沿ってどのように伝播するかを考察する。
我々は、AIベンダー、金融機関、銀行間暴露、顧客アカウントを結合する4層ヘテロジニアスネットワークを構築し、そのネットワーク上で動作する確率論的流行と浄化モデルであるCFC-Propを提案する。
60のベンダー、220の銀行、約2500のベンダーバンクサービスエッジ、そして1400の銀行間露光による合成データセットでは、CFC-Propは、重み付けされた損失分布を再現し、以前のサイバーファイナンシャルな証拠と一致したパッチレイテンシへの急激な依存を再現する。
我々はまた、ベンダー側のインシデントテレメトリとグラフ構造を使用して、衝突前に高リスクベンダーにフラグを付ける早期警戒モデルであるCFC-GNNをトレーニングします。
4つのベースラインで提案されたモデルが AUROC 0.82 と AUPRC 0.60 に到達し、キャリブレーションエラーを境界に保っている。
完全なコード、合成データ、再現可能なスクリプトをリリースします。
結果は、AIベンダー間のサイバー集中は、第一次金融安定問題であり、それについて推論するための具体的な定量的ツールを監督者に与えていると主張している。
関連論文リスト
- Poisoning Agentic Alpha: Adversarial Vulnerabilities Across Roles and Architectures in Multi-Agent Trading Systems [103.90831279037094]
LLMベースのマルチエージェントトレーディングシステムは、研究プロトタイプから実際の資産を管理するライブデプロイメントへと急速に移行している。
破損した信号は最終決定に伝播し、実現された財政損失に変換される。
本稿では,金融分野において,敵対的信号がマルチエージェント取引システムにどのように入るのかを特徴付ける最初の体系的実証的研究について述べる。
論文 参考訳（メタデータ） (2026-08-25T05:07:37Z) - Skillsets on the Chain: A Blockchain-based Zero-Trust Framework for Agentic AI Networking [41.895053158170136]
Agentic AI Network(AgentNet)システムは、サードパーティのスキルセット実装と分散マルチエージェントコラボレーションに大きく依存している。
本稿では、2層ブロックチェーンでセキュアなゼロトラストフレームワークであるTrustAgentNetを提案する。
論文 参考訳（メタデータ） (2026-07-31T00:24:06Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems [0.2864713389096699]
高周波銀行環境は、低遅延詐欺検出と規制説明可能性の間に重要なトレードオフに直面している。
伝統的な規則に基づく差別的モデルは、過度の階級不均衡と歴史的な前例の欠如のために「ゼロデイ」攻撃に苦しむ。
本稿では,オフライン学習からリアルタイムな異常検出を分離するデュアルパス生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-17T10:20:40Z) - FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering [0.0]
我々は、アンチマネーロンダリング検出のためのプライバシ生成グラフ学習フレームワークであるFedGraph-VASPを提案する。
私たちの重要なコントリビューションは、境界アカウントの圧縮された非可逆グラフニューラルネットワーク表現のみを共有する境界埋め込み交換プロトコルです。
論文 参考訳（メタデータ） (2026-01-25T18:14:26Z) - Automating Supply Chain Disruption Monitoring via an Agentic AI Approach [49.77982322940809]
我々は、自律的に監視し、分析し、拡張されたサプライネットワークにまたがる破壊に応答する、最小限の教師付きエージェントAIフレームワークを導入する。
F1スコアは0.962から0.991の間であり、破壊1回あたり0.0836ドルのコストで平均3.83分でエンドツーエンドの分析を行う。
論文 参考訳（メタデータ） (2026-01-14T18:28:31Z) - Financial Fraud Identification and Interpretability Study for Listed Companies Based on Convolutional Neural Network [4.504327589607446]
本稿では、畳み込みニューラルネットワーク(CNN)に基づく中国のAシェア上場企業を対象とした金融不正検出フレームワークを提案する。
実験の結果、CNNはロジスティック回帰とLightGBMの精度、堅牢性、早期警戒性能に優れていた。
環境指標は, 主に高汚染産業において重要であり, 可溶性, 比構造, 統治構造, 内部統制が詐欺の一般的な予測要因であることがわかった。
論文 参考訳（メタデータ） (2025-12-07T04:14:16Z) - Data Poisoning Vulnerabilities Across Healthcare AI Architectures: A Security Threat Analysis [39.89241412792336]
我々は,畳み込みニューラルネットワークに対するアーキテクチャ攻撃,大規模言語モデル,強化学習エージェントの4つのカテゴリの8つの攻撃シナリオを分析した。
以上の結果から,100～500サンプルしかアクセスできないアタッカーは,データセットのサイズに関わらず,医療AIを侵害する可能性が示唆された。
我々は、必要な敵検定、アンサンブルに基づく検出、プライバシー保護セキュリティ機構、AIセキュリティ標準に関する国際調整を含む多層防御を推奨する。
論文 参考訳（メタデータ） (2025-11-14T07:16:16Z) - Bubble, Bubble, AI's Rumble: Why Global Financial Regulatory Incident Reporting is Our Shield Against Systemic Stumbles [29.86669983369923]
現在のAIインシデントデータベースは、クラウドソーシングやニューススクレイピングに依存しており、体系的に資本市場の異常を見落としている。
本稿では,医療・航空のインシデントドキュメンテーションモデルを用いて,取引後の報告フレームワークを合成する,規制グレードのグローバルデータベースを提案する。
我々は、AI主導のシステムリスクの不安定な「カルドロン」に対して、AI主導の金融市場におけるリスク管理を強化し、レジリエンスを高めるための即時行動を求めます。
論文 参考訳（メタデータ） (2025-09-30T12:01:25Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。
本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文 参考訳（メタデータ） (2024-11-30T17:05:12Z)
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。