論文の概要: Pricing Cross-Bank Context in Federated Anti-Money Laundering

• arxiv url: http://arxiv.org/abs/2610.35996v1
• Date: Mon, 26 Oct 2026 13:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.384252
• Title: Pricing Cross-Bank Context in Federated Anti-Money Laundering
• Title（参考訳）: フェデレーション・アンチ・モニー・マネーロンダリングにおけるクロスバンク・コンテキストの価格設定
• Abstract要約: 両銀行が既に記録したトランザクションを利用して、リモートアカウント状態をローカルに近似します。 AMLworld HI-Smallでは、6つのGNNバックボーンと32個のサイロにまたがって観測可能なベースラインが最大のゲインを獲得し、断片化が可視スライスを縮小するにつれて維持する。 これらの発見は、銀行が既に記録しているものを使い、動くべき小さなものを正式に保護するという、現実的なルールを支持している。
• 参考スコア（独自算出の注目度）: 6.959371069729265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most graph-based Anti-Money Laundering (AML) methods assume access to a pooled transaction graph containing all accounts and payments, which in reality does not exist. Federated learning offers the necessary privacy guarantees but it remains unclear how money laundering patterns spanning separate graphs can effectively be detected. We exploit transactions already recorded by both endpoint banks to approximate remote account states locally, enabling multi-layer Graph Neural Network (GNN) computation without additional account-specific exchange. Starting from this baseline, we test whether the remaining context is worth sharing, using a disclosure ladder that adds two transaction counts per remote account or the counterparty's own GNN states. On AMLworld HI-Small, across six GNN backbones and up to 32 silos, the observable baseline yields the largest gain and keeps it as fragmentation shrinks the visible slice; counts add a robust correction, while exact remote states help only in specific regimes. In controlled privacy--utility studies, the noise needed to protect shared states erases their detection value before it buys meaningful privacy, whereas counts stay useful even under strong privacy protection. These findings support a practical rule for banks: use what they already record, and formally protect the little that must move.
• Abstract（参考訳）: ほとんどのグラフベースのアンチモニー洗浄(AML)メソッドは、すべてのアカウントと支払いを含むプールされたトランザクショングラフへのアクセスを前提としているが、実際には存在しない。 フェデレーションラーニングは、必要なプライバシー保証を提供するが、別々のグラフにまたがるマネーロンダリングパターンを効果的に検出できるかどうかは不明だ。 我々は、両エンドポイントバンクがすでに記録したトランザクションを利用して、リモートアカウント状態をローカルに近似し、追加のアカウント固有の交換なしで多層グラフニューラルネットワーク(GNN)計算を可能にする。 このベースラインから、リモートアカウント毎に2つのトランザクションカウントを追加し、相手自身のGNNステートを開示するラグを使って、残りのコンテキストが共有に値するかどうかをテストする。 AMLworld HI-Smallでは、6つのGNNバックボーンと最大32サイロで観測可能なベースラインが最大のゲインを獲得し、断片化が可視スライスを縮小するにつれて維持される。 コントロールされたプライバシー利用研究では、共有状態を保護するのに必要なノイズは、意味のあるプライバシーを購入する前に検出値を削除する。 これらの発見は、銀行が既に記録しているものを使い、動くべき小さなものを正式に保護するという、現実的なルールを支持している。

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)
• MixGuard: Towards Detecting and Understanding Mixer Laundering on Ethereum [50.358221211998284]
  既存のマネーロンダリング研究は、特にミキサーロンダリングを対象としていない。 パブリックレポートは断片化されており、システマティックな計測と検出のためのパブリックケースレベルのデータセットは残っていない。 我々は,3段階の表現学習と2段階のグルーピングを組み合わせて,トランザクションレベルの検出とケースアウェアグルーピングを行うtextscMixGuard を開発した。
  論文  参考訳（メタデータ） (2026-09-15T23:00:32Z)
• 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)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering [4.1964397179107085]
  本研究では、協調機械学習のための新しいプライバシー保護手法を提案する。 プライバシと規制の遵守を維持しながら、機関や国境を越えたセキュアなデータ共有を容易にする。 この研究は2つの重要なプライバシー保護パイプラインに貢献している。
  論文  参考訳（メタデータ） (2024-11-05T09:13:53Z)
• Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
  インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。 本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
  論文  参考訳（メタデータ） (2024-03-07T21:22:07Z)
• Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation [79.64626707978418]
  分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。 当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。 当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-06T17:53:31Z)
• 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)

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。