論文の概要: Explainable and Adaptive Machine Learning for Fraud Risk Detection in Bangladesh's Digital Banking Ecosystem

• arxiv url: http://arxiv.org/abs/2610.39556v1
• Date: Thu, 29 Oct 2026 07:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.476375
• Title: Explainable and Adaptive Machine Learning for Fraud Risk Detection in Bangladesh's Digital Banking Ecosystem
• Title（参考訳）: バングラデシュのデジタルバンキング生態系におけるフラッドリスク検出のための説明可能な適応型機械学習
• Abstract要約: 本研究では, 時系列評価, 漏洩を考慮した特徴工学, 確率校正, SHAPに基づく説明可能性, 適応的リスク優先順位付けを統合した, 説明可能な適応型機械学習フレームワークを提案する。 実験では、PaySimモバイルマネーベンチマークを使用して、ロジスティック回帰、ランダムフォレスト、XGBoost、LightGBMを比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of digital banking and mobile financial services creates growing challenges for fraud detection, particularly under severe class imbalance and operational constraints. This study presents an explainable and adaptive machine-learning framework integrating chronological evaluation, leakage-conscious feature engineering, probability calibration, SHAP-based explainability, and adaptive risk prioritization. Experiments use the synthetic PaySim mobile-money benchmark and compare Logistic Regression, Random Forest, XGBoost, and LightGBM. XGBoost achieved the strongest fixed-threshold performance, with PR-AUC of 0.5658, ROC-AUC of 0.9068, and F1-score of 0.5369. Platt calibration reduced the test Brier score from 0.1141 to 0.0245, improving probability reliability. SHAP analysis identified temporal, destination-account, transaction-type, and amount features as important model drivers. An adaptive top-1% policy reduced false positives from 192 to 117, but recall declined from 0.4236 to 0.2122, demonstrating a clear alert-capacity trade-off. The results provide a reproducible methodological framework rather than evidence of deployment performance in Bangladesh, since PaySim is synthetic. Validation using governed real-world financial data is therefore an important direction for future research.
• Abstract（参考訳）: デジタルバンキングとモバイル金融サービスの急速な拡大は、特に厳しい階級不均衡と運用上の制約の下で、不正検出の課題を増大させます。 本研究では, 時系列評価, 漏洩を考慮した特徴工学, 確率校正, SHAPに基づく説明可能性, 適応的リスク優先順位付けを統合した, 説明可能な適応型機械学習フレームワークを提案する。 実験では、PaySimモバイルマネーベンチマークを使用して、ロジスティック回帰、ランダムフォレスト、XGBoost、LightGBMを比較する。 XGBoostは0.5658のPR-AUC、0.9068のROC-AUC、0.5369のF1スコアで最強の固定閾値性能を達成した。 プラット校正により、ブライア試験のスコアは0.1141から0.0245に低下し、信頼性が向上した。 SHAP分析では、時間、目的地、トランザクションタイプ、および量の特徴を重要なモデルドライバとして同定した。 適応的なトップ1%政策により偽陽性は192件から117件に減少したが、リコールは0.4236件から0.2122件に減少した。 その結果,PaySimは人工的なため,バングラデシュにおける展開実績の証拠というよりも,再現可能な方法論の枠組みが得られた。 したがって、実世界の財務データを用いた検証は将来の研究にとって重要な方向である。

関連論文リスト

• Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms [37.131058866458964]
  機械学習に基づく予測アルゴリズムのアンチモニー洗浄への適用は急速に増加している。 これらのアルゴリズムは典型的にはトランザクションデータと機密性の高いクライアント情報に基づいて訓練される。 これにもかかわらず、AML検出システムはフェアネスの観点からほとんど探索されていない。
  論文  参考訳（メタデータ） (2026-07-06T13:57:21Z)
• Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience [0.0]
  本稿では,Long Short-Term Memory(LSTM)ネットワークと手作りグラフトポロジカル特徴を統合するハイブリッドフレームワークであるFraudShield AIを提案する。 クラス不均衡に対処するためにFocal Lossの目的が使用され、低値のスマーフィング攻撃に対するレジリエンスを改善するために動的しきい値設定機構が導入されている。
  論文  参考訳（メタデータ） (2026-05-02T02:10:20Z)
• Are we still able to recognize pearls? Machine-driven peer review and the risk to creativity: An explainable RAG-XAI detection framework with markers extraction [7.723181091241251]
  本稿では、レビュー品質を評価し、自動パターンを検出するための説明可能なフレームワーク(RAG-XAI)を提案する。 XGBoost、Random Forest、LightGBMは99.61%、AUC-ROCは0.999以上、F1スコアは0.9925である。
  論文  参考訳（メタデータ） (2026-04-09T08:25:49Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Calibrated Credit Intelligence: Shift-Robust and Fair Risk Scoring with Bayesian Uncertainty and Gradient Boosting [0.0]
  Calibrated Credit Intelligence(CCI)は、リスクスコアリングのためのデプロイメント指向のフレームワークである。 CCIは、現実的な展開条件下で、正確で信頼性があり、より公平なリスクスコアを生成する。
  論文  参考訳（メタデータ） (2026-03-06T04:40:18Z)
• Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine [0.0]
  本研究は、EBM(Explainable Boosting Machine)に基づく拡張ワークフローを提案する。 最適化されたEMMは、精度と解釈可能性の効果的なバランスを実現し、不正取引の正確な検出を可能にする。 ベンチマーククレジットカードデータの実験的評価により、ROC-AUCは0.983であり、以前のEMMベースラインを超えている。
  論文  参考訳（メタデータ） (2026-02-06T18:56:17Z)
• ReLE: A Scalable System and Structured Benchmark for Diagnosing Capability Anisotropy in Chinese LLMs [37.23311145049677]
  本稿では,機能異方性(Capability Anisotropy)を診断するためのスケーラブルなシステムであるReLEを提案する。 我々は,207,843サンプルからなる領域$times$ Capability SymbolicMatrixの304モデルを評価した。
  論文  参考訳（メタデータ） (2026-01-24T09:57:59Z)
• Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
  我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。 我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。 提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
  論文  参考訳（メタデータ） (2025-12-06T23:00:19Z)
• FinCARE: Financial Causal Analysis with Reasoning and Evidence [39.146761527401424]
  Portfolioのマネージャは相関に基づく分析と、パフォーマンスを駆動する真の因果関係のキャプチャに失敗する手法に依存している。 本稿では,SEC 10-K の申請書から抽出した財務知識グラフと大規模言語モデル推論の2つの相補的な情報源から,統計的因果探索アルゴリズムとドメイン知識を統合するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:14:28Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)

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。