論文の概要: TRACK: Multiple Instance Learning for Anti-Money Laundering in Transaction Networks

• arxiv url: http://arxiv.org/abs/2611.06035v1
• Date: Wed, 04 Nov 2026 06:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.999138
• Title: TRACK: Multiple Instance Learning for Anti-Money Laundering in Transaction Networks
• Title（参考訳）: TRACK: トランザクションネットワークにおけるアンチモニー洗浄のための複数インスタンス学習
• Abstract要約: マネーロンダリングに対する捜査は、口座を中心に組織されている。 多くのアカウントレベルの検出器は学習前にトランザクションを要約し、メッセージパッシングモデルは近隣のアカウントに再び集約する。 この不一致をアグリゲーションミスマッチと呼び、少なくとも1つのフラグ付きトランザクションの存在によって定義されたアカウントウインドウベンチマークラベルの下で研究する。 本稿では,すべてのトランザクションを共有エンコーダでエンコードし,そのエンコーダをアカウント決定に選択的にプールするTRACKを提案する。
• 参考スコア（独自算出の注目度）: 35.86849795621739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anti-money laundering (AML) investigations are organized around accounts, while the suspicious evidence for an account may reside in only a few of its transactions. Yet many account-level detectors summarize transactions before learning, and message-passing models may aggregate once more over neighboring accounts. We name this discrepancy the aggregation mismatch and study it under an account-window benchmark label defined by the presence of at least one flagged transaction. We recast account-level AML detection as multiple instance learning, in which an account-window is a bag and its transactions are instances. We propose TRACK, which encodes every transaction with a shared encoder and selectively pools the encodings into an account decision. To emulate coarse supervision, we withhold the transaction labels of five AML datasets from TRACK throughout training. Under a time-ordered protocol, TRACK achieves the highest average precision among the tabular and graph baselines trained from account labels on every dataset. Despite using only account-window supervision, it remains competitive with edge classifiers trained directly from transaction labels. Its instance scores also rank flagged transactions well above chance and approach or exceed directly supervised ranking performance across datasets.
• Abstract（参考訳）: 反マネーロンダリング(英語版) (AML) の調査は、口座を中心に組織されているが、アカウントに対する疑わしい証拠は、その取引のごく一部にのみ存在する可能性がある。 しかし、多くのアカウントレベルの検出器は学習前にトランザクションを要約し、メッセージパッシングモデルは近隣のアカウントに対して再び集約される可能性がある。 この不一致をアグリゲーションミスマッチと呼び、少なくとも1つのフラグ付きトランザクションの存在によって定義されたアカウントウィンドウベンチマークラベルの下で研究する。 我々は、アカウントレベルのAML検出を複数のインスタンス学習として再キャストし、そこではアカウントウィンドウがバッグであり、トランザクションがインスタンスである。 本稿では,すべてのトランザクションを共有エンコーダでエンコードし,そのエンコーダをアカウント決定に選択的にプールするTRACKを提案する。 粗い監視をエミュレートするために、TRACKの5つのAMLデータセットのトランザクションラベルをトレーニングを通じて保持する。 時間順のプロトコルの下では、TRACKは各データセットのアカウントラベルからトレーニングされた表とグラフのベースラインの中で、最も高い平均精度を達成する。 アカウントウインドウの監視のみを使用するが、取引ラベルから直接訓練されたエッジ分類器と競合する。 そのインスタンススコアはまた、フラグ付きトランザクションをチャンスやアプローチよりもはるかに高くランク付けし、データセット間で直接監督されたランク付けパフォーマンスを超えている。

関連論文リスト

• TrafficInstruct: A Multi-Task Network Traffic Dataset and Benchmark for Instruction Tuning [65.22224367556623]
  TrafficInstructは、生のパケットキャプチャーと10タスクにわたる55,000の構造化された微調整レコードからなる、新たに収集されたデータセットである。 自動ワークフローは、制御されたソフトウェア実行、アタック実験、アプリケーションアクティビティからのトラフィックをキャプチャする。 サンプルソースを検証し、データセットを完全なコレクションセッションで分割し、同じセッションからすべてのサンプルをひとつのパーティションに保持します。 我々は,未適応の27B言語モデルであるマジョリティクラス,ランダムフォレスト,ET-BERTベースライン,および共有冷凍ベース上で個別に訓練されたタスク固有LoRAアダプタの評価を行った。
  論文  参考訳（メタデータ） (2026-11-02T15:44:53Z)
• CoGSeq-LTV: Scalable Missing-Aware Graph-Sequence Modeling for Multi-Business Transaction Analytics [26.40145817757148]
  大規模スーパーアプリは、ユーザが複数のビジネスと対話する異種トランザクションログを生成する。 単一テーブルタスクではなく,データ集約分析問題として,マルチビジネス,マルチホライズン値の予測について検討した。
  論文  参考訳（メタデータ） (2026-11-01T11:32:46Z)
• Money-Mule Detection as a Relational Learning Problem: A Study on the RBIH NFPC Dataset [0.42970700836450487]
  マネーミュールネットワークは多くの小さな送金を通じて犯罪資金を移動させる。 アカウントをラバとマークするものは、単一の転送の外にあります。 口座を直接スコアし、銀行のリレーショナルスキーマを異質なグラフとして読みます。
  論文  参考訳（メタデータ） (2026-10-15T06:02:39Z)
• Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
  論理規則で正規化された教師なしの検証器であるLOVERを提案する。 ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。 ローバーは教師なしのベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-05-07T09:03:49Z)
• Towards Collaborative Anti-Money Laundering Among Financial Institutions [15.671365710671063]
  ルールベースの手法が最初に導入され、現在でも現在の検知システムで広く使われている。 実際には、マネーロンダリングは通常複数の金融機関にまたがる。 複数の施設におけるマネーロンダリング対策を支援するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T10:22:55Z)
• Transforming Triple-Entry Accounting with Machine Learning: A Path to Enhanced Transparency Through Analytics [0.0]
  Triple Entry(TE)会計は、ブロックチェーンのような複雑な金融およびサプライチェーントランザクションの透明性向上に役立つ。 機械学習(ML)は、TE会計の透明性の優位性を高めるための、有望な道を提供する。 TEブックキーピングに必要なデータ収集と分析の自動化によって、ML技術は、これをより透過的にする可能性がある。
  論文  参考訳（メタデータ） (2024-11-19T08:58:44Z)
• A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
  イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。 基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。 私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
  論文  参考訳（メタデータ） (2024-10-14T15:59:16Z)
• CubeFlow: Money Laundering Detection with Coupled Tensors [39.26866956921283]
  マネーロンダリング(英: Money laundering、ML)とは、不正な活動によって達成された資金源を隠す行動である。 既存のほとんどの手法はグラフやテンソルの密度の高いブロックを検知するが、これは貨幣がしばしば中間口座を通じて転送されるという事実を考慮しない。 この論文で提案されているCubeFlowは、大量のトランザクションから不正を見つけるためのスケーラブルでフローベースのアプローチである。
  論文  参考訳（メタデータ） (2021-03-23T09:24:31Z)

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。