論文の概要: RGH-GNN : Risk-Gated Heterogeneous Graph Neural Network for Financial Fraud Detection

• arxiv url: http://arxiv.org/abs/2610.27107v1
• Date: Mon, 19 Oct 2026 18:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.4504
• Title: RGH-GNN : Risk-Gated Heterogeneous Graph Neural Network for Financial Fraud Detection
• Title（参考訳）: RGH-GNN : ファイナンシャルフラッド検出のためのリスクゲージ付き不均一グラフニューラルネットワーク
• Abstract要約: クレジットカード詐欺は金融機関にとって重大な問題であり、毎年かなりの金銭的損失をもたらしている。 不正検出のための実世界の取引データは、これらの取引を検出しにくくするクラス不均衡によって深刻な影響を受ける。 この研究は、トランザクションレベルのリスクスコアを組み込んで制限に対処する不均一なグラフニューラルネットワークであるRGH-GNNを提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Credit card fraud is a significant problem for financial institutions, resulting in substantial monetary loss each year. Fraud patterns and methods are continuously evolving, with fraudulent transactions often disguised to resemble legitimate activity. Real world transaction data for fraud detection is severely affected by class imbalance making it harder to detect these transactions. Fraudulent transactions are rarely isolated. Accounts, devices, and other common attributes are often shared across fraudulent activity, revealing relational patterns that individual transaction features alone cannot capture. Graph-based approaches model these relationships explicitly. However, standard graph neural networks aggregate neighbourhood information uniformly, which can dilute the already scarce signal carried by fraudulent transactions and limit detection of camouflaged fraud. This work presents RGH-GNN, a heterogeneous graph neural network that addresses this limitation by incorporating transaction-level risk scores, generated by a supervised LightGBM classifier as edge weights. It is used to guide message passing through a learnable risk-gated aggregation mechanism. It ensures that high-risk transactions contribute more strongly to learned representations rather than being diluted by uniform neighbourhood aggregation. RGH-GNN is evaluated on the IEEE-CIS fraud detection dataset against standard graph neural network models that are trained on the same heterogeneous graph. RGH-GNN outperforms all baselines across every evaluation metric, with an AUC-ROC score of 0.914. This demonstrates that incorporating engineered risk signals into graph-based message passing substantially improves fraud detection performance.
• Abstract（参考訳）: クレジットカード詐欺は金融機関にとって重大な問題であり、毎年かなりの金銭的損失をもたらしている。 不正なパターンや手法は継続的に進化しており、不正な取引はしばしば合法的な活動に似せて偽装されている。 不正検出のための実世界の取引データは、これらの取引を検出しにくくするクラス不均衡によって深刻な影響を受ける。 不正取引は滅多に孤立しない。 アカウント、デバイス、その他の一般的な属性は詐欺行為間で共有されることが多く、個々のトランザクション機能だけではキャプチャできないリレーショナルパターンを明らかにする。 グラフベースのアプローチは、これらの関係を明示的にモデル化する。 しかし、標準的なグラフニューラルネットワークは近隣情報を一様に集約し、不正取引による既に不足している信号を減らし、偽造詐欺の検出を制限することができる。 この研究は、この制限に対処するヘテロジニアスグラフニューラルネットワークであるRGH-GNNを、教師付きLightGBM分類器によって生成されるトランザクションレベルのリスクスコアをエッジウェイトとして組み込むことによって提示する。 学習可能なリスクゲートアグリゲーションメカニズムを通じてメッセージパッシングをガイドするために使用される。 高リスクトランザクションは、均一な近傍集約によって希釈されるよりも、学習した表現に強く寄与することを保証する。 RGH-GNNは、IEEE-CIS不正検出データセット上で、同じ異種グラフでトレーニングされた標準グラフニューラルネットワークモデルに対して評価される。 RGH-GNNは、AUC-ROCスコアが0.914で、評価基準で全てのベースラインを上回ります。 このことは、グラフベースのメッセージパッシングにエンジニアリングされたリスク信号を組み込むことで、不正検出性能が大幅に向上することを示している。

関連論文リスト

• An Attention-Driven Heterogeneous GNN Model for Credit Card Fraud Detection [0.0]
  本研究では,データ分散技術とディープラーニング(DL)モデルを用いたクレジットカード不正検出フレームワークを提案する。 提案した不正検出モデルは、KaggleリポジトリからCredit Card Fraudと呼ばれるデータセットを収集して評価する。 このモデルは99.97%の精度、99.48%のF1スコア、99.15%の精度、98.97%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-09-26T00:28:06Z)
• A Novel Graph Fraud Detector via Grouped Attribute Completion and Confidence-Aware Contrastive Learning [5.183200614613901]
  本稿では,GFD-GCという,グループ補完と信頼を意識したコントラスト学習を用いたグラフフラッド検出のための新しいフレームワークを提案する。 グループワイドアグリゲーションを実装するために、まず不均一な近傍構造を模倣し、微細なグラフコンテキストパターンをキャプチャすることで、情報的な完全ノード特徴を得る。 さらに,不正表現のコンパクト化と非詐欺ノードからの分離性を高めるため,信頼度に配慮した教師付きコントラスト学習戦略を導入し,ラベル付き不正ノードを高信頼な擬似詐欺ノードで強化する。
  論文  参考訳（メタデータ） (2026-07-13T05:35:57Z)
• Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention [2.7002727600755883]
  異種グラフニューラルネットワーク(HGNN)を用いたクレジットカード不正検出手法を提案する。 グラフニューラルネットワークを活用することで、モデルは高次のトランザクション関係をキャプチャする。 このモデルは精度とOC-ROCの両方において顕著な改善を達成している。
  論文  参考訳（メタデータ） (2025-04-11T00:53:53Z)
• 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)
• Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
  本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。 提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
  論文  参考訳（メタデータ） (2024-10-10T17:05:27Z)
• Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• 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)
• 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。