論文の概要: FraudSociety: A Generative Agent-Based Society for the Financial-Fraud Economy
- arxiv url: http://arxiv.org/abs/2610.33536v1
- Date: Sat, 24 Oct 2026 08:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.35565
- Title: FraudSociety: A Generative Agent-Based Society for the Financial-Fraud Economy
- Title（参考訳）: FraudSociety: 金融フルード経済のための創発的エージェントベースの社会
- Abstract要約: 金融詐欺は2025年にアメリカで159億ドルの損失をもたらした。
textscFraudSocietyは、情報公開とコミュニケーションのための動的なソーシャル環境を統合する。
強い損失集中を再現し、犠牲者記録の上位10%が総損失の81.1%を占めている。
- 参考スコア（独自算出の注目度）: 15.031646138093206
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Financial fraud caused over \$15.9 billion in losses in the United States in 2025, according to the Federal Trade Commission~\citep{ftc2026databook}. Understanding such large-scale harm requires jointly modeling informational and financial dynamics. Yet existing simulators typically capture only one side of this interaction, leaving a gap in modeling how fraud unfolds in the real world. To bridge this gap, we introduce \textsc{FraudSociety}, the first LLM-agent-based simulator that jointly models these coupled dynamics. It integrates a dynamic social environment for information exposure and communication, persistent financial ledgers that preserve payment and loss histories, and a Need-Intent-Action architecture for civilian decision making. Fraudsters further adapt their communication and financial actions to individual interaction histories and ledger states, forming a closed feedback loop between the two dynamics. We validate \textsc{FraudSociety} across macro-level outcomes, micro-level behavior, and intervention effects. At the macro level, the simulated fraud outcomes closely match real-world patterns across multiple key statistics. At the micro level, it reproduces strong loss concentration, with the top 10\% of victimization records accounting for 81.1\% of total losses, consistent with Canadian Anti-Fraud Centre statistics~\citep{cafc2025annual}. Counter-fraud experiments further reveal variation across intervention strategies, with the best-performing personalized intervention reducing the repeat-payment rate from 49.4\% to 10.9\%. These results establish \textsc{FraudSociety} as both a high-fidelity simulator and a scalable testbed for evaluating anti-fraud strategies under diverse intervention conditions, thereby advancing research on financial fraud and its prevention.
- Abstract（参考訳）: 連邦取引委員会(Federal Trade Commission)によると、金融詐欺は2025年に米国に159億ドルの損失をもたらした。
このような大規模な調和を理解するには、情報力学と財務力学を共同でモデル化する必要がある。
しかし、既存のシミュレーターは通常、このインタラクションの片側だけをキャプチャし、実際の世界で詐欺がどのように展開されるかのモデリングにギャップを残している。
このギャップを埋めるために、これらの結合力学を共同でモデル化する最初のLCMエージェントベースのシミュレータである「textsc{FraudSociety}」を導入する。
情報公開とコミュニケーションのための動的な社会環境、支払いと損失履歴を保存する永続的な金融台帳、および民間の意思決定のための要求-意図-行動アーキテクチャを統合している。
フラッドスターは、コミュニケーションと金融行動をさらに個々の相互作用履歴と台帳状態に適応させ、2つのダイナミクスの間に閉じたフィードバックループを形成する。
マクロレベルの結果, マイクロレベルの挙動, 介入効果に対して, textsc{FraudSociety} を検証した。
マクロレベルでは、シミュレーションされた詐欺結果は、複数の主要な統計データにまたがる現実世界のパターンと密接に一致している。
マイクロレベルでは、強い損失集中を再現し、犠牲者の上位10%が81.1 %の損失を計上し、カナダ反フロイトセンターの統計–\citep{cafc2025annual} と一致する。
対人詐欺実験は介入戦略の多様性をさらに明らかにし、最も優れたパーソナライズされた介入は、繰り返し支払い率を49.4\%から10.9\%に下げる。
これらの結果は、多種多様な介入条件下での反詐欺戦略の評価のための高忠実性シミュレーターとスケーラブルなテストベッドの両方として「textsc{FraudSociety}」を確立し、金融詐欺とその予防に関する研究を進めた。
関連論文リスト
- Dual-Scale Relational Graph Transformers for Ecosystem-Aware Fraud Detection [14.660683942180745]
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。
論文 参考訳（メタデータ） (2026-10-02T23:21:05Z) - 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) - OOM-RL: Out-of-Money Reinforcement Learning Market-Driven Alignment for LLM-Based Multi-Agent Systems [4.970665847294818]
目的的アライメントパラダイムとして textbfOut-of-Money Reinforcement Learning (OOM-RL) を導入する。
本研究は,ハイターン・サイコファンティック・ベースラインから,ロバストで流動性に配慮したアーキテクチャへのシステム進化を詳述する。
我々は、厳格な経済罰と主観的人間選好の代用が、実環境における自律的エージェントの整合のための堅牢な方法論を提供すると結論付けている。
論文 参考訳（メタデータ） (2026-04-13T13:45:42Z) - Mitigating Backdoor Attacks in Federated Learning Using PPA and MiniMax Game Theory [8.751986657630018]
悪意のあるクライアントは、ローカルモデルにバックドアデータを注入することで、グローバルモデルに積極的に害を与えようとする。
我々は,このような不適切な行動を軽減するために,FedBBA(Federated Backdoor and Behavior Analysis)を提案する。
各種攻撃シナリオにおいて,FedBBAはバックドア攻撃の成功率を約1.1%～11%に下げることを示した。
論文 参考訳（メタデータ） (2026-03-30T16:39:02Z) - When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms [101.2197679948061]
大規模言語モデル(LLM)エージェントを用いた大規模マルチエージェントシステムにおける集団金融詐欺のリスクについて検討する。
金融詐欺シナリオをシミュレーションするための大規模ベンチマークであるMultiAgentFraudBenchを提案する。
論文 参考訳（メタデータ） (2025-11-09T16:30:44Z) - From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。
DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。
本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
論文 参考訳（メタデータ） (2024-02-20T09:52:30Z) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳（メタデータ） (2023-08-22T12:53:09Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:15:04Z)
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。