論文の概要: Money-Mule Detection as a Relational Learning Problem: A Study on the RBIH NFPC Dataset

• arxiv url: http://arxiv.org/abs/2610.21314v1
• Date: Thu, 15 Oct 2026 06:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.20982
• Title: Money-Mule Detection as a Relational Learning Problem: A Study on the RBIH NFPC Dataset
• Title（参考訳）: 関係学習問題としてのマネー・ミュール検出:RBIH NFPCデータセットの検討
• Abstract要約: マネーミュールネットワークは多くの小さな送金を通じて犯罪資金を移動させる。 アカウントをラバとマークするものは、単一の転送の外にあります。 口座を直接スコアし、銀行のリレーショナルスキーマを異質なグラフとして読みます。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Money-mule networks move criminal funds through many small transfers, each of which looks ordinary on its own. What marks an account as a mule lies outside any single transfer: in the counterparties and addresses its network shares, and in the shape of its activity over time. Production systems remain largely rule-based and see neither, while most research classifies transactions rather than accounts, recovering account-level risk only by aggregating afterwards. We instead score the account directly, reading the bank's relational schema as a heterogeneous graph in which rows are nodes and foreign keys are edges. Each account is scored from a multi-hop neighbourhood using per-column encoders, a relative-time encoding and HeteroGraphSAGE message passing, with that neighbourhood restricted to rows predating the account's own pre-flag cutoff so that no model sees evidence recorded only after the account was flagged. On a five-year Reserve Bank Innovation Hub (RBIH) retail-banking dataset of 400 million transactions and 94{,}063 labelled accounts, 2.6\% of them confirmed mules, we compare against RelGNN, XGBoost, LightGBM and CatBoost trained on identical labels, splits and cutoffs. Our detector recovers nine in ten held-out mules at 83\% precision and a 0.5\% false-alarm rate, finding 115 more mules than the strongest tree ensemble given the same evidence. At the tuned thresholds the gap is mostly in recall: XGBoost and LightGBM lead across the first hundred alerts, but only the graph models hold their precision deep into the queue. Since the graph is the schema itself and every score is dated per account, the approach deploys on a bank's existing database without a custom feature graph build.
• Abstract（参考訳）: マネーミュールネットワークは、犯罪資金を多くの小さな送金を通じて移動させる。 アカウントをラバとマークするものは、単一の転送の外部にある。 生産システムはルールベースであり、ほとんどの研究は口座よりも取引を分類し、その後の集計によってのみアカウントレベルのリスクを回復する。 代わりに、口座を直接スコアし、銀行のリレーショナルスキーマを、行がノードで外部キーがエッジである不均一なグラフとして読みます。 各アカウントは、カラム単位のエンコーダ、相対時間エンコーディング、ヘテログラフSAGEメッセージパッシングを使用して、マルチホップの近隣からスコアされ、その近隣では、アカウントがフラグ付けされた後にのみ記録された証拠を見るモデルが存在しないように、アカウント自身のプレフラッグカットを先延ばしする行に制限されている。 4億件の取引と94{,}063のラベル付き口座による5年間のリザーブ・バンク・イノベーション・ハブ(RBIH)のリザーブ・バンキング・データセットでは、2.6%がラバを確認し、同じラベル、分割、カットオフで訓練されたRelGNN、XGBoost、LightGBM、CatBoostと比較した。 我々の検出器は、83 %の精度で保持されたラバ10個のうち9個を回収し、0.5 %の偽アラームレートで、同じ証拠から最強の木のアンサンブルよりも115個のラバを発見できる。 XGBoostとLightGBMは最初の100のアラートをリードするが、グラフモデルだけがキューの奥深くで精度を保っている。 グラフはスキーマ自身であり、すべてのスコアはアカウント毎に日付付けされているため、アプローチはカスタムの機能グラフ構築なしで、銀行の既存のデータベースにデプロイされる。

関連論文リスト

• Privacy-Preserving GNN Inference on Financial Transaction Graphs via Homomorphic Encryption [3.0121258175250545]
  金融ネットワークにおけるアンチマネーロンダリング(AML)は、複数の機関にまたがるトランザクションパターンをモデル化する必要がある。 本稿では、このマルチバンク設定に適したプライバシー保護グラフニューラルネットワーク(GNN)推論フレームワークを提案する。 その後、CKKS準同型暗号方式で全暗号化機能で推論を行う。
  論文  参考訳（メタデータ） (2026-10-13T09:43:23Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• 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)
• GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
  マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。 バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。 パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:34:21Z)
• 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)
• Collective Robustness Certificates: Exploiting Interdependence in Graph Neural Networks [71.78900818931847]
  ノード分類、画像分割、名前付き一致認識といったタスクでは、複数の予測を同時に出力する分類器があります。 既存の対向ロバスト性証明は、それぞれの予測を独立に考慮し、従ってそのようなタスクに対して過度に悲観的である。 本稿では,摂動下で安定に保たれることが保証される予測数を計算した最初の集合ロバスト性証明を提案する。
  論文  参考訳（メタデータ） (2023-02-06T14:46:51Z)
• Detecting Malicious Accounts in Permissionless Blockchains using Temporal Graph Properties [4.506782035297339]
  ノードとしてアカウントをモデル化し、トランザクションを指向するグラフのエッジとして -- ブロックチェーンのための時間的特性。 これに触発されて、すでに使用されているいくつかのグラフ特性の上にバーストや魅力のような時間的特徴を導入する。 我々はさまざまな機械学習(ML)アルゴリズムを訓練し、どのアカウントが悪意があるかを検出するのに最適なアルゴリズムを識別する。
  論文  参考訳（メタデータ） (2020-07-10T05:15:26Z)

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。