論文の概要: MINT: Mitigating Structural Inconsistency via Attentive Message Passing for Financial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.34950v1
• Date: Mon, 26 Oct 2026 07:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.783139
• Title: MINT: Mitigating Structural Inconsistency via Attentive Message Passing for Financial Anomaly Detection
• Title（参考訳）: MINT:財務異常検出のための注意メッセージパスによる構造的不整合の軽減
• Abstract要約: 不正口座検出は金融リスク管理システムにとって重要な課題である。 本稿では,トランザクショングラフ上の構造的不整合を緩和するグラフニューラルネットワークフレームワークであるMINTを紹介する。 MINT は Positive-Unlabeled (PU) 学習によって最適化されている。
• 参考スコア（独自算出の注目度）: 14.953695326450001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illicit account detection is a critical task for financial risk control systems, aiming to pinpoint malicious actors within transaction networks. Existing efforts typically recast transaction networks into directed multigraphs and leverage graph neural networks (GNNs) to detect anomalies via topological structures under the homophily assumption. However, directly grafting GNNs onto transaction graphs is faced with at least two pivotal challenges, i.e., structural inconsistency and label scarcity. The former arises from deceptive connections forged by malicious actors, while the latter stems from the lack of annotated data. In light of these, we introduce MINT, a novel graph neural framework that mitigates structural inconsistency via an attentive message-passing scheme on transaction graphs. Specifically, MINT introduces a discrepancy-aware feature propagation, which tracks malicious actors by quantifying deviations between nodes across bi-directional transaction flows. A transaction salience module is proposed to mitigate structural inconsistency by adaptively regularizing the interaction strength between nodes. Furthermore, to alleviate label scarcity, MINT is optimized via Positive-Unlabeled (PU) learning, which exploits only a minority of illicit nodes coupled with a majority of unlabeled ones. Extensive experiments conducted on three financial transaction benchmarks, including two large-scale public and one in-house real-world datasets, validate the superior effectiveness of MINT over several cutting-edge baselines.
• Abstract（参考訳）: 不正アカウント検出は、取引ネットワーク内の悪意あるアクターを特定することを目的として、金融リスク制御システムにとって重要なタスクである。 既存の取り組みは通常、トランザクションネットワークを向き付けられたマルチグラフにリキャストし、グラフニューラルネットワーク(GNN)を利用して、ホモフィリー仮定の下でトポロジカルな構造を通して異常を検出する。 しかしながら、GNNを直接トランザクショングラフに移植することは、少なくとも2つの重要な課題、すなわち構造的不整合性とラベル不足に直面している。 前者は悪意のあるアクターが偽りの接続を偽造したもので、後者は注釈付きデータの欠如に由来する。 これらのことを踏まえて、トランザクショングラフ上の注意的メッセージパッシングスキームを通じて構造的不整合を緩和する、新しいグラフニューラルネットワークフレームワークであるMINTを紹介する。 具体的には、MINTでは、双方向トランザクションフロー間のノード間のずれを定量化することで、悪意のあるアクターを追跡する、不一致対応の機能伝搬を導入している。 ノード間の相互作用強度を適応的に調整することにより、構造的不整合を軽減するためにトランザクションサリエンスモジュールを提案する。 さらに、ラベルの不足を軽減するため、MINTはPositive-Unlabeled (PU)学習によって最適化されている。 2つの大規模パブリックデータセットと1つの社内実世界のデータセットを含む3つの金融トランザクションベンチマークで実施された大規模な実験は、いくつかの最先端ベースラインよりもMINTの優れた効果を検証する。

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)
• Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection [4.923071905608023]
  本稿では,拡散誘導機能強化,コントラスト表現学習,マルチホップスペクトルアテンションを組み合わせた統合フレームワークであるADC-GNNを提案する。 ADC-GNNを主に3つの公開ベンチマークで評価し、プライベートケーススタディとして約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットを報告した。
  論文  参考訳（メタデータ） (2026-06-26T14:34:28Z)
• LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks [3.410873689152854]
  LineMVGNNは、支払いとレシートトランザクションを考慮に入れた新しい空間的手法である。 LineMVGNNは、元のトランザクショングラフの行グラフビューを組み込んで、トランザクション情報の伝播を強化する。
  論文  参考訳（メタデータ） (2026-03-24T16:17:21Z)
• 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)
• 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)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• 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)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)

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。