論文の概要: Graph-Transformer Fraud Detection with Self-Supervised Pretraining and Conformal Risk Control

• arxiv url: http://arxiv.org/abs/2609.14234v1
• Date: Sun, 13 Sep 2026 01:56:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.767496
• Title: Graph-Transformer Fraud Detection with Self-Supervised Pretraining and Conformal Risk Control
• Title（参考訳）: 自己教師付き事前学習とコンフォーマルリスク制御によるグラフトランスフォーマフラッド検出
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial fraud in corporate transaction networks has grown more coordinated and harder to detect with rule-based engines and with classical learning models that treat each transaction in isolation. This paper presents GTFD, a graph-transformer fraud detector that fuses structural and temporal evidence from a corporation's payment graph. GTFD encodes the graph with a multi-head graph attention network, encodes ordered transaction sequences with a gated transformer, and combines both views through a cross-modal gating layer. A conformal risk-control head converts the fused representation into threshold-free anomaly scores with finite-sample coverage guarantees, and the network is trained with self-supervised link-mask pretraining plus adversarial augmentation so it remains stable under scarce labels and under adversarial perturbation. On a corporate transaction benchmark enriched with coordinated fraud rings, GTFD reaches an AUROC of 0.990, an F1-score of 96.1% (precision 96.3%, recall 95.9%), and an accuracy of 98.4%. It reduces the false-positive rate by about 29% relative to the strongest baseline while raising coordinated fraud-ring recall from 85.1% to 96.5%. Ablations attribute roughly 2.0 AUROC points to self-supervised pretraining and 1.9 AUROC points to the conformal head, and adversarial stress tests show GTFD retains 89.2% accuracy at perturbation magnitude 0.20 where the next-best model falls to 76.4%.
• Abstract（参考訳）: コーポレートトランザクションネットワークにおける金融詐欺は、ルールベースのエンジンや、個々のトランザクションを独立して扱う古典的な学習モデルによって、よりコーディネートされ、検出するのが難しくなっている。 本稿では,企業の支払グラフから構造的および時間的証拠を融合したグラフ変換器不正検知器GTFDを提案する。 GTFDは、グラフをマルチヘッドグラフアテンションネットワークにエンコードし、順序付けられたトランザクションシーケンスをゲートトランスフォーマーにエンコードし、クロスモーダルゲーティング層を通じて両方のビューを結合する。 共形リスク制御ヘッドは、融合された表現を有限サンプルカバレッジ保証付きしきい値のない異常スコアに変換し、ネットワークを自己教師付きリンクマスク事前訓練と対向的拡張で訓練することにより、少ないラベルの下で安定し、対向的摂動下で安定する。 コーディネート取引ベンチマークにおいて、GTFDは0.990のAUROC、F1スコア96.1%(精度96.3%、リコール95.9%)、精度98.4%に達した。 偽陽性率は最強のベースラインに比べて約29%減少し、不正リコールは85.1%から96.5%に増加した。 アブレーションの属性は、約2.0のAUROCが自己監督事前訓練、1.9のAUROCがコンフォメーションヘッドを指し、逆応力試験により、GTFDは摂動度0.20で89.2%の精度を維持しており、次のベストモデルは76.4%に低下する。

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• ChequeMark: An Ensemble Machine Learning Framework for After-Hours Business Deposit Fraud Detection [4.847320494918926]
  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。
  論文  参考訳（メタデータ） (2026-08-21T21:00:41Z)
• Extreme Volatility Warning under Label Scarcity via Multi-Source Anomaly Fusion [9.298391210599604]
  当社のCSI300設定では、791のトレーニング日で80ドルの正のサンプルしか見つからず、教師付きマルチソースモデルを不安定にしています。 我々は、市場指標、GDELTイベント、中国の金融ニュース、英語メディアの異常スコアと軽量リッジスコア融合を組み合わせた半教師付きフレームワークであるtextbfAAMSF(Anomaly-Augmented Multi-Signal Fusion)を提案する。 CSI300では、AAMSFはAUC-ROC textbf0.680をテストし、最強の教師なしベースライン(0.630)と神経ベースライン(0.588)を上回ります。
  論文  参考訳（メタデータ） (2026-07-26T14:30:58Z)
• An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts [0.0]
  銀行は同時に署名に基づく詐欺と行動的金融犯罪に直面している。 ブルートフォースや高速なイベントを確実にキャッチする静的ルールエンジンは、ビジネスメールの妥協に対して構造的に盲目である。 本稿では,このギャップに対処する小売・コーポレートバンキングのためのAIセキュリティエージェントを提案する。
  論文  参考訳（メタデータ） (2026-06-16T05:58:40Z)
• An Efficient Machine Learning-based Framework for Detection and Prevention of Frauds in Telecom Networks [0.0]
  本稿では,通信ネットワークにおける不正検出のためのAI駆動モデルの性能評価を行う。 Telecom CDRデータセットには、詐欺事件8,830件を含む17の属性を持つ101,174件の顧客記録が含まれている。 RFの精度は99.9%、精度は99.9%である。
  論文  参考訳（メタデータ） (2026-05-17T04:03:36Z)
• Wavelet Scattering Transform and Fourier Representation for Offline Detection of Malicious Clients in Federated Learning [42.558423984270135]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で機械学習モデルのトレーニングを可能にする。 異常なクライアントや破損したクライアントの存在は、モデルパフォーマンスを著しく低下させる可能性がある。 我々は、トレーニング前に悪意のあるクライアントにラベル付けする検出アルゴリズムWAFFLEを提案する。 蒸留された公開データセットに基づいてトレーニングされた軽量検出器は、最小限の通信と計算オーバーヘッドでラベル付けを実行する。
  論文  参考訳（メタデータ） (2025-06-11T12:48:00Z)
• 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)
• Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation [28.745101225936697]
  不正検出のための半教師付きグラフニューラルネットワークを提案する。 具体的には、トランザクションレコードを活用して、時間的トランザクショングラフを構築します。 次に、Gated Temporal Attention Network (GTAN)を介してノード間でメッセージを渡し、トランザクション表現を学習します。
  論文  参考訳（メタデータ） (2024-12-24T08:48:48Z)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• 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)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)

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。