論文の概要: Machine Learning-Based Detection of Mobile Money Scan Messages in Ghana: A Comparative Evaluation of Naive Bayes, Support Vector Machine, and Randon Forest Classifiers

• arxiv url: http://arxiv.org/abs/2610.40544v1
• Date: Thu, 29 Oct 2026 17:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.551854
• Title: Machine Learning-Based Detection of Mobile Money Scan Messages in Ghana: A Comparative Evaluation of Naive Bayes, Support Vector Machine, and Randon Forest Classifiers
• Title（参考訳）: ガーナにおけるモバイルマネースキャンメッセージの機械学習による検出:ナイーブベイ、サポートベクトルマシン、ランダム森林分類器の比較評価
• Abstract要約: モバイルマネー(モバイルマネー、MoMo)は、2025年12月にGHC518.4億ドルの取引を記録したガーナの小売決済チャネルである。 この成長は、ショートメッセージサービス(SMS)と非構造化補助サービスデータ(USSD)に対する社会工学的詐欺の増加と一致している。 我々は、スカムと正規のGhanaian MoMo SMSメッセージの分類のための教師付き機械学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile money (MoMo) is Ghana's preferred retail payment channel, recording GHC518.4 billion in transactions in December 2025 and over 26.7 million active accounts (Graphic Online, 2026). This growth has coincided with increased social-engineering fraud over Short Message Service (SMS) and Unstructured Supplementary Service Data (USSD), where fraudsters impersonate network operators, agents, relatives, or regulators to obtain personal identification numbers (PINs), identity data, or funds. We present a supervised machine-learning pipeline for classifying scam and legitimate Ghanaian MoMo SMS messages using a labelled corpus of 220 messages across 18 scam and legitimate subcategories. Domain-specific normalisation of currency amounts, phone numbers, and USSD codes preceded TF-IDF vectorisation of unigrams and bigrams. Using stratified five-fold cross-validation and a 20% held-out test set, we trained and evaluated Multinomial Naive Bayes, linear support vector machine (SVM), and Random Forest classifiers using accuracy, precision, recall, F1-score, Matthews correlation coefficient (MCC), and area under the receiver operating characteristic curve (AUC-ROC). Held-out accuracy, F1, and AUC were 1.00 for Naive Bayes and linear SVM; cross-validated accuracy averaged 96.6% (+/-3.3), 94.9% (+/-4.6), and 92.0% (+/-4.2). Discriminative n-grams reflected imperative urgency ("send," "claim," "please send") and PIN solicitation ("PIN," "pincode"); legitimate messages featured confirmatory and cautionary language ("balance," "successful," "do not share"). Findings are contextualised in Sub-Saharan African SMS fraud detection, small template-based corpus ceiling effects, and a pathway toward larger naturalistic multilingual corpora. Interpretable classical classifiers achieve high accuracy on structured MoMo scam text and suit carrier- or handset-level filtering in low-resource, on-device settings.
• Abstract（参考訳）: モバイルマネー(モバイルマネー、MoMo)は、2025年12月にGHC518.4億ドルの取引を記録し、アクティブアカウントは2670万を超えている(Graphic Online, 2026)。 この成長は、ショート・メッセージ・サービス(SMS)やアンストラクテッド・サプリメント・サービス・データ(USSD)に対する社会工学的詐欺の増加と一致している。 18のスカムおよび正統なサブカテゴリにまたがる220のメッセージのラベル付きコーパスを用いて、スカムと正統なGhanaian MoMo SMSメッセージを分類するための教師付き機械学習パイプラインを提案する。 通貨量、電話番号、USSD符号のドメイン固有の正規化は、ユニグラムとビッグラムのTF-IDFベクトル化に先立って行われた。 階層化された5倍のクロスバリデーションと20%のホールドアウトテストセットを用いて、精度、精度、リコール、F1スコア、マシューズ相関係数(MCC)、受信動作特性曲線(AUC-ROC)に基づくマルチノミアルニーブベイズ、線形支持ベクトルマシン(SVM)およびランダムフォレスト分類器を訓練し、評価した。 評価精度は96.6%(+/-3.3),94.9%(+/-4.6),92.0%(+/-4.2)であった。 差別的なn-gramは命令的緊急性("send", "claim", "please send")とPIN勧誘("PIN", "pincode")を反映している。 サハラ以南のアフリカのSMS不正検出、小さなテンプレートベースのコーパス天井効果、そしてより大きな自然主義的な多言語コーパスへの経路において、発見は文脈化されている。 解釈可能な古典的分類器は、低リソース・オンデバイス設定で構造化されたMoMoスカムテキストとスーツキャリアまたはハンドセットレベルのフィルタリングで高い精度を達成する。

関連論文リスト

• TeleAntiFraud 2.0: A Refreshable, Profile-Grounded, and Audio-Based Benchmark for Telecom Fraud Detection [55.35119005976305]
  テレコム詐欺スクリプトは急速に進化し、日常的なサービス会話に似たように設計されている。 ベンチマークは、以前に確立されたテストセットを上書きすることなく、新しく観察された詐欺パターンを組み込まなければならない。 本稿では,Mixed-Tree Anti-Fraud Generation Pipelineで構築したTeleAntiFraud 2.0について述べる。
  論文  参考訳（メタデータ） (2026-09-16T14:41:11Z)
• Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework [0.0]
  本稿では,ルワンダのAML/CFT体制に沿ったトランザクション監視フレームワークを開発し,評価する。 9,504,852のトランザクションと17の型を合成したデータセットを使用して、アカウント中心の行動特徴を設計する。 我々は、スコアバンドをルワンダ関連アナリストとSTR/SARエスカレーションにマップし、ルワンダ国立銀行による合成プロトタイピングから実データ検証までの段階的な経路を概説する。
  論文  参考訳（メタデータ） (2026-08-15T23:19:34Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Multilingual Financial Fraud Detection Using Machine Learning and Transformer Models: A Bangla-English Study [0.24489885996663996]
  正当かつ不正な財務メッセージからなるデータセットを用いた多言語バングラ英語設定における金融不正検出について検討する。 リニアSVMは91.59パーセントの精度と91.30%のF1スコアで最高のパフォーマンスを達成している。 この結果から,多言語不正検出に競争力を持つ古典的機械学習が依然として有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-11T22:46:13Z)
• POSTER: A Multi-Signal Model for Detecting Evasive Smishing [2.7039386580759666]
  本研究では,国別セマンティックタグ,構造パターンタグ,文字レベルのスタイリスティックキュー,文脈語句埋め込みを組み合わせたマルチチャネルスマイシング検出モデルを提案する。 私たちは、24,086個のスマイシングサンプルを含む5つのデータセットで84,000以上のメッセージをキュレートし、レバーベリングしました。 我々の統合アーキテクチャは、97.89%の精度、0.963のF1スコア、99.73%のAUCを達成し、多種多様な言語的および構造的手がかりを捉え、シングルストリームモデルより優れている。
  論文  参考訳（メタデータ） (2025-05-23T12:45:34Z)
• Machine Learning Driven Smishing Detection Framework for Mobile Security [0.46873264197900916]
  スマイッシング(smishing)は、SMSを通じて行われるフィッシングの高度なバリエーションである。 従来の検出手法は、SMS言語の非公式かつ進化的な性質に苦慮している。 本稿では,コンテンツに基づくスマイシング検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-09T08:20:20Z)
• Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
  言語モデル(LM)は、自然言語生成において有望な性能を示している。 与えられた入力に応答する際の不確実性を正確に定量化することは重要である。 我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-04-04T02:31:05Z)
• 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)
• Self-supervised Graph Representation Learning for Black Market Account Detection [62.03978210281426]
  ブラックマーケットアカウント(BMA)は詐欺に直接関与せず、より検出するのが困難である。 本稿では,10億人以上のユーザを持つ代表的MMMAであるWeChatで使用されているBMA検出システムSGRLについて述べる。 オンライン環境でSGRLをデプロイし、数十億規模のWeChatグラフ上のBMAを検出する。
  論文  参考訳（メタデータ） (2022-12-06T00:42:00Z)

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。