論文の概要: Behavior-Grounded Semantic Enrichment for Financial Fraud Modeling and Reasoning

• arxiv url: http://arxiv.org/abs/2609.34211v2
• Date: Wed, 30 Sep 2026 08:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.949711
• Title: Behavior-Grounded Semantic Enrichment for Financial Fraud Modeling and Reasoning
• Title（参考訳）: 財務フラッドモデリングと推論のための行動中心セマンティックエンリッチメント
• Abstract要約: 金融詐欺検出において、リッチなセマンティックコンテキストは、取引行動モデリングと不正推論の重要な証拠となる。 パブリックな現実世界の財務データセットは、プライバシー上の制約のために、リッチなセマンティクスを欠いていることが多い。 本稿では,マルチモーダル財務データをシミュレートするために,取引行動に基づくセマンティック・エンリッチメント・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）: 17.54798652982652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In financial fraud detection, rich semantic context can provide important evidence for transaction behavior modeling and fraud reasoning. However, public real-world financial datasets often lack rich semantics due to privacy constraints. Consequently, synthetic datasets incorporate generated semantics, but at the cost of behavioral realism; textual descriptions for contextual reasoning remain scarce. We address this gap through a semantic enrichment framework grounded in original transaction behavior to simulate multimodal financial data. We (1) propose a multi-agent semantic enrichment framework that generates interpretable financial semantics grounded in transaction behavior through role-specialized agents and consistency refinement, and (2) newly contribute a valuable multimodal financial fraud dataset, MS-FFSD, enriched with structured semantics and textual semantics while preserving real-data-grounded transaction behavior. Furthermore, we systematically analyze the quality and utility of semantic enrichment. Results demonstrate statistical fidelity and framework generalizability, while showing that richer semantics benefit fraud modeling and context-aware LLM reasoning. Overall, this work advances multimodal financial fraud research and bridges emerging LLM and multi-agent capabilities with operational anti-fraud practice. The framework and dataset are released at https://github.com/AI4Risk/MS-FFSD.
• Abstract（参考訳）: 金融詐欺検出において、リッチなセマンティックコンテキストは、取引行動モデリングと不正推論の重要な証拠となる。 しかし、パブリックな現実世界の財務データセットは、プライバシー上の制約のために、リッチなセマンティクスを欠いていることが多い。 その結果、合成データセットには生成された意味論が組み込まれているが、行動現実主義のコストがかかる。 我々は、マルチモーダル財務データをシミュレートするために、元々の取引行動に基づくセマンティック・エンリッチメント・フレームワークを通じて、このギャップに対処する。 本研究では,(1)役割特化エージェントと整合性改善を通じてトランザクション行動に根ざした解釈可能な財務意味論を生成するマルチエージェントセマンティックエンリッチメントフレームワークを提案し,(2)リアルタイムトランザクション行動を維持しつつ,構造化セマンティクスとテキストセマンティクスに富んだ有意義なマルチモーダル金融詐欺データセットMS-FFSDを新たに提供した。 さらに,セマンティックエンリッチメントの品質と有用性を体系的に分析する。 その結果、統計的忠実度とフレームワークの一般化可能性を示すとともに、よりリッチなセマンティクスは不正なモデリングや文脈対応のLLM推論に有用であることが示された。 全体として、この研究は、マルチモーダルな金融詐欺研究とLLMの出現する橋渡し、および運用上の反詐欺行為を伴うマルチエージェント能力の進歩である。 フレームワークとデータセットはhttps://github.com/AI4Risk/MS-FFSDで公開されている。

関連論文リスト

• Semantic Pareto-DQN: A Multi-Objective Reinforcement Learning Framework for Financial Anomaly Detection [0.2864713389096699]
  金融異常検出におけるクラス不均衡を克服する多目的強化学習フレームワークを提案する。 提案手法は, 大規模言語モデルで符号化された, 不均一なトランザクション特徴を結合的な自然言語モデルに合成する。 これは、スカラー化ベースラインよりも優れたマイノリティクラスリコールを実現し、金融異常発見のための取引境界操作摩擦の代替となる。
  論文  参考訳（メタデータ） (2026-07-10T17:39:00Z)
• TSAI-MetaFraud: A Benchmark Dataset for Financial Fraud Transaction and Behavioral Risk Detection in Metaverse Ecosystems [1.7281573530896264]
  TSAI-MetaFraudは、仮想経済における不正分析のためのマルチタスクベンチマークデータセットである。 本稿では,トランザクション不正検出,クロスモーダルノード分類,時間的リンク予測,弱教師付き不正検出などのベンチマークタスクを定義する。 機械学習モデルとグラフニューラルネットワークを用いてベースライン評価を行う。
  論文  参考訳（メタデータ） (2026-07-10T15:36:13Z)
• Fraud Detection System for Banking Transactions [0.0]
  本研究では、PaySim合成金融トランザクションデータセットを利用した機械学習による不正検出フレームワークを提案する。 提案するフレームワークは、FinTechトランザクションシステムにおける不正防止機能を強化する、堅牢でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-09T08:17:27Z)
• Understanding Structured Financial Data with LLMs: A Case Study on Fraud Detection [17.04809129025246]
  FinFRE-RAGは、数値・分類属性のコンパクトなサブセットを自然言語にシリアライズするために重要誘導特徴量削減を適用した2段階のアプローチである。 LLMは人間の読みやすい説明を作成し、特徴分析を促進することができるため、詐欺分析者の手作業の負担を軽減できる可能性がある。
  論文  参考訳（メタデータ） (2025-12-15T07:09:11Z)
• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
  MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。 モーダル内相互作用を利用した解釈可能性の向上を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:39:13Z)
• FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
  FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。 12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。 FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
  論文  参考訳（メタデータ） (2025-06-03T06:44:42Z)
• Beyond the Black Box: Interpretability of LLMs in Finance [0.0]
  大規模言語モデル(LLM)は、金融サービスにおける様々なタスクにまたがる優れた機能を示す。 その内在的な複雑さと透明性の欠如は、特に高度に規制された金融セクターにおいて、重大な課題を引き起こしている。 本稿では, LLMの内部動作を機械的解釈可能性によって理解し, 活用する金融分野における最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-05-14T15:24:21Z)
• TRACE: TRansformer-based Attribution using Contrastive Embeddings in LLMs [50.259001311894295]
  TRACE と呼ばれるコントラスト埋め込みを用いた新しいTRansformer-based Attribution フレームワークを提案する。 TRACEは情報源の属性を精度良く改善し,大規模言語モデルの信頼性と信頼性を高める貴重なツールであることを示す。
  論文  参考訳（メタデータ） (2024-07-06T07:19:30Z)
• 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)

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。