論文の概要: Dual-Scale Relational Graph Transformers for Ecosystem-Aware Fraud Detection

• arxiv url: http://arxiv.org/abs/2610.04138v1
• Date: Fri, 02 Oct 2026 23:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 19:55:38.011845
• Title: Dual-Scale Relational Graph Transformers for Ecosystem-Aware Fraud Detection
• Title（参考訳）: Ecosystem-Aware Fraud DetectionのためのDual-Scale Relational Graph Transformer
• Abstract要約: アカウント乗っ取り(ATO)詐欺は、デジタルバンキングに対する脅威の増大であり、合法的な顧客の摩擦を最小限に抑えつつ、効果的な検出を必要としている。 本稿では、これらの相補的な情報のスケールを共同でモデル化する二重スケールリレーショナルアーキテクチャであるHERMESを提案する。 我々は、米国の大手金融機関による1億3000万件以上のハイリスク取引セッションについて、HERMESを評価する。
• 参考スコア（独自算出の注目度）: 14.660683942180745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Account takeover (ATO) fraud is a growing threat to digital banking, requiring effective detection while minimizing friction for legitimate customers. Production systems predominantly rely on tabular models that score sessions in isolation, discarding the relational structure of the underlying interaction network. Although graph-based models exploit relationships among sessions and network entities, they primarily reason over local neighborhoods and therefore capture only part of the problem: fraud risk depends jointly on the local relational structure surrounding a session and the evolving global state of the fraud ecosystem. We present HERMES (HEterogeneous Relational Micro--macro graph transformer Encoder for high-risk Sessions), a dual-scale architecture that jointly models these complementary scales of information. Micro-GT captures local heterogeneous graph structure through structured, relation-aware attention over a temporally safe session neighborhood. Complementing this local representation, Macro-GT models ecosystem-level context using non-anticipative climate tokens that summarize fraud dynamics, platform shifts, and infrastructure reuse, together with adaptive class prototypes that track representative fraud and benign session patterns over time. Evaluated on more than 130 million high-risk transaction sessions from a leading U.S. financial institution, HERMES consistently outperforms production and strong graph-based baselines, achieving a 44.44% relative reduction in customer friction and a 24.66% relative improvement in fraud recall over the production system. Ablation and temporal-stability analyses further demonstrate complementary gains from local relational modeling and global ecosystem context across changing fraud regimes.
• Abstract（参考訳）: アカウント乗っ取り(ATO)詐欺は、デジタルバンキングに対する脅威の増大であり、合法的な顧客の摩擦を最小限に抑えつつ、効果的な検出を必要としている。 プロダクションシステムは、主にセッションを個別にスコアする表モデルに依存し、基礎となるインタラクションネットワークのリレーショナル構造を捨てる。 グラフベースのモデルはセッションとネットワークのエンティティ間の関係を悪用するが、それらは主に地元住民を推論し、問題の一部だけを捉えている:詐欺リスクはセッションを取り巻く局所的関係構造と、詐欺エコシステムのグローバルな状態に共同で依存する。 本稿では,HERMES (Heterogeneous Relational Micro-macro graph transformer Encoder for High-risk Sessions) について述べる。 マイクロGTは、時間的に安全なセッション地区における構造化された、関係認識された注意を通して、局所的な異種グラフ構造をキャプチャする。 この局所的な表現を補完するために、マクロGTは、不正なダイナミクス、プラットフォームシフト、インフラ再利用を要約する予想外の気候トークンを使用して、エコシステムレベルのコンテキストをモデル化する。 米国の大手金融機関による1億3000万人以上のハイリスク取引セッションを評価し、HERMESは一貫して生産成績とグラフベースのベースラインを上回り、顧客摩擦の44.44%、不正リコールの24.66%を達成している。 アブレーションと時間安定性の分析により、ローカルリレーショナルモデリングと不正体制の変化によるグローバルエコシステムの文脈からの補完的な利益がさらに示された。

関連論文リスト

• TMR-GGNN: Credit Card Fraud Detection based on Time-Aware Multi-Relational Guided Graph Neural Network [0.0]
  本研究では,TM GGNN(Timeaware Multi Guided Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 デコーダは、実際のトランザクションパターンと合成されたトランザクションパターンを区別するために、対照的な学習モジュールを使用する。 重度のクラス不均衡を効果的に管理し、識別学習を強調するために、情報ノイズコントラスト推定(InfoNCE)に基づくコントラスト損失とFocal Lossを導入した複合損失関数を導入する。
  論文  参考訳（メタデータ） (2026-06-16T19:50:53Z)
• Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience [0.0]
  本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
  論文  参考訳（メタデータ） (2026-05-02T02:10:20Z)
• A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions [6.8063643637119275]
  STC-MixHopは空間的多分解能伝搬と軽量時間整合性モデリングを組み合わせたグラフベースのフレームワークである。 このフレームワークは,厳密な時間分割の下でPaySimデータセット上で評価する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。
  論文  参考訳（メタデータ） (2026-03-15T20:30:02Z)
• 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)
• DLF: Enhancing Explicit-Implicit Interaction via Dynamic Low-Order-Aware Fusion for CTR Prediction [71.41414150295702]
  本稿では,クリックスルー率(CTR)予測をモデル化するための新しいフレームワークである動的低次認識融合(DLF)を提案する。 RLIは残差接続からの冗長性を緩和しながら低次信号を保持し、NAFは各層での明示的および暗黙的な表現を動的に統合し、情報共有を強化する。 公開データセットの実験では、DLFがCTR予測における最先端のパフォーマンスを達成し、既存のモデルの重要な制限に対処していることが示されている。
  論文  参考訳（メタデータ） (2025-05-25T15:05:00Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)

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。