論文の概要: Leveraging Time-Series Foundation Models for Financial Crime Detection

• arxiv url: http://arxiv.org/abs/2610.29667v1
• Date: Wed, 21 Oct 2026 12:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.25117
• Title: Leveraging Time-Series Foundation Models for Financial Crime Detection
• Title（参考訳）: 金融犯罪検出のための時系列基盤モデルの活用
• Abstract要約: 金融犯罪検出には、不審な行為が稀で時間とともに展開される大規模取引ネットワーク内の不正な活動を特定する必要がある。 既存のグラフベースのメソッドは、アカウント間の関係をキャプチャするが、通常、アカウントトランザクション履歴にエンコードされた時間的振る舞いを未使用にする。 我々は、各アカウントのトランザクション履歴を凍結時系列基盤モデル(TSFM)で要約することで、このギャップに対処するフレームワークであるTCEE(Temporal-Context Edge Enrichment)を導入する。 これらのリッチな表現は、エッジ分類のために直接スコア付けしたり、より広い構造情報をキャプチャするためのエッジ特徴としてグラフニューラルネットワーク(GNN)に入力することができる。
• 参考スコア（独自算出の注目度）: 9.052998084373254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial crime detection requires identifying illicit activity within large transaction networks, where suspicious behaviour is rare and unfolds over time. Existing graph-based methods capture relationships among accounts but typically underuse the temporal behaviour encoded in account transaction histories. We introduce Temporal-Context Edge Enrichment (TCEE), a framework that addresses this gap by summarising each account's transaction history with a frozen time-series foundation model (TSFM), and enriching each transaction's representation with the relevant temporal context from these summaries. These enriched representations can be scored directly for edge classification, or fed into a graph neural network (GNN) as edge features to capture broader structural information. Across six AMLWorld datasets, TCEE improves PR-AUC over the strongest evaluated baseline on five by a relative 10.8% on average, while training 6.0x faster end-to-end. Feeding TCEE's representations into a GNN raises PR-AUC a further 4.8% on the four smaller datasets. On an Ethereum phishing dataset, we show that TSFM-generated account representations fed into a GNN are also effective for node classification, improving PR-AUC by 14.5% over the strongest baseline. As TSFMs continue to advance, our results suggest they can strengthen financial crime detection by capturing temporal signals that complement graph-based approaches.
• Abstract（参考訳）: 金融犯罪検出には、不審な行為が稀で時間とともに展開される大規模取引ネットワーク内の不正な活動を特定する必要がある。 既存のグラフベースのメソッドは、アカウント間の関係をキャプチャするが、通常、アカウントトランザクション履歴にエンコードされた時間的振る舞いを未使用にする。 我々は、各アカウントのトランザクション履歴を凍結時系列基礎モデル(TSFM)で要約し、各トランザクションの表現をこれらの要約から関連する時間的コンテキストで強化することで、このギャップに対処するフレームワークであるTCEEを紹介します。 これらのリッチな表現は、エッジ分類のために直接スコア付けしたり、より広い構造情報をキャプチャするためのエッジ特徴としてグラフニューラルネットワーク(GNN)に入力することができる。 6つのAMLWorldデータセットで、TEEはPR-AUCを、平均で10.8%、エンドツーエンドで6.0倍の速さで改善している。 TCEEの表現をGNNにフィードすると、PR-AUCは4つの小さなデータセットでさらに4.8%上昇する。 Ethereumフィッシングデータセットでは、GNNに入力されたTSFMの生成したアカウント表現もノード分類に有効であることを示し、最強のベースラインに対してPR-AUCを14.5%改善する。 TSFMの進展に伴い, グラフベースの手法を補完する時間的信号の収集により, 金融犯罪の検出を強化できる可能性が示唆された。

関連論文リスト

• RGH-GNN : Risk-Gated Heterogeneous Graph Neural Network for Financial Fraud Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2026-10-19T18:07:47Z)
• FedGraph: Defending Federated Large Language Model Fine-Tuning Against Backdoor Attacks via Graph-Based Aggregation [45.2397392757212]
  大きな言語モデル(LLM)のフェデレートされた微調整により、複数のクライアントが生データを共有せずにモデルに協調的に適応することが可能になり、強力なプライバシー上のメリットを提供する。 この設定はバックドア攻撃に対して非常に脆弱で、悪意のあるクライアントが自身の更新を操作してターゲットの動作を誘導する。 クライアント更新間の関係を明示的にモデル化するグラフベースの集約フレームワークであるFedGraphを提案する。
  論文  参考訳（メタデータ） (2026-10-13T14:08:49Z)
• Foundation Models for Generalizable Semantic and Goal-Oriented Communication [42.78591555984395]
  我々はFMSGOC(Foundation Model-Guided Semantic and Goal-Oriented Communication)を紹介する。 スパース、ゴールアラインアンカーにビットを集中させることでレート効率を向上し、マスクされた領域を再構築するために生成ファンデーションモデルに依存する。 CIFAR-10ではコサイン類似度0.87-0.90)を保ち、これまで見えない入力(ImageNetでは0.83-0.86)で頑健であり、知覚類似性(0.1278/0.1558、CIFAR-10/ ImageNet)が良好である。
  論文  参考訳（メタデータ） (2026-09-07T18:12:39Z)
• Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations [3.294619412118624]
  インサイダー脅威検出(ITD)は,信頼されたユーザによる悪意ある行為の微妙で隠された性質のため,課題である。 本稿では,明示的かつ暗黙的なグラフ表現と時間的モデリングを統合し,複雑なユーザ行動パターンをキャプチャするポストホックITDフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-20T19:48:35Z)
• DynBERG: Dynamic BERT-based Graph neural network for financial fraud detection [3.8271803328378677]
  グラフ-BERTとGRU(Gated Recurrent Unit)層を統合した新しいアーキテクチャであるDynBERGを導入する。 主要な暗号通貨市場イベントであるダークマーケットシャットダウン(Dark Market Shutdown)におけるすべてのトランザクションを含む、Bitcoinトランザクションを含むEllipticデータセット上で、当社のモデルを評価します。
  論文  参考訳（メタデータ） (2025-10-28T10:31:39Z)
• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs [1.79424680938667]
  トランザクショングラフは、マネーロンダリングや詐欺といった金融犯罪のパターンを明らかにすることができる。 本稿では,時間的ダイナミクスをメッセージパッシングに組み込んだ新しいグラフニューラルネットワーク機構TeMP-TraGを提案する。 我々は、TeMP-TraGが4つの最先端グラフニューラルネットワークを平均6.19%改善できることを実証した。
  論文  参考訳（メタデータ） (2025-03-21T07:10:27Z)
• A Transfer Framework for Enhancing Temporal Graph Learning in Data-Scarce Settings [30.97142882931946]
  エンティティ間の動的相互作用は、ソーシャルプラットフォーム、金融システム、ヘルスケア、電子商取引のようなドメインで一般的である。 TGNNはそのような予測タスクに対して強力な結果を得ているが、通常、現実世界のシナリオで制限される広範なトレーニングデータを必要とする。 本稿では,ノード表現を関連する特徴から2部符号化機構によって切り離す新しい転送手法を提案する。
  論文  参考訳（メタデータ） (2025-03-02T11:10:29Z)
• Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism [5.486205584465161]
  本研究は,通常の分類プロセスに2つの余分な層を追加することにより,CCF検出のための新たな積み重ねに基づくアプローチを提案する。 注意層では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)のソフトアウトプットを、依存重み付け平均化(DOWA)演算子を用いて組み合わせる。 信頼層では,どのアグリゲーション(DOWAまたはIOWA)でも,メタラーナーへのフィードの不確実性が低いかを選択する。 3つのデータセットに対する実験により,提案手法は高精度かつ堅牢な一般化を実現し,CCF検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-10-01T09:56:23Z)
• Graph Dimension Attention Networks for Enterprise Credit Assessment [40.87056211723355]
  グラフ次元注意ネットワーク(GDAN)という新しいアーキテクチャを提案する。 GDANは、細粒度のリスク関連特性を捉えるための次元レベルの注意機構を組み込んでいる。 金融シナリオにおけるGNN手法の解釈可能性について検討し、GDAN-DistShiftと呼ばれるGDANのためのデータ中心の説明器を提案する。
  論文  参考訳（メタデータ） (2024-07-16T11:24:28Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)

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。