ハイブリッドLSTM-グラフニューラルフレームワークによる堅牢な金融詐欺検出と敵対的耐性
本論文では、金融詐欺検出における極端なデータ不均衡（詐欺率0.13％）と進化する敵対的回避戦略に対処するため、LSTMネットワークと手作りのグラフトポロジー特徴を統合したハイブリッドフレームワークFraudShield AIを提案する。PageRank中心性、入度ダイナミクス、カスタムフロー比率などのネットワーク中心特徴を設計することで、システムは孤立したトランザクション分析からネットワークレベルのフォレンジックへと検出パラダイムをシフトする。クラス不均衡に対処するためにFocal Lossを、低額スマイミング攻撃に対する耐性を向上させるために動的しきい値メカニズムを導入する。PaySimデータセットでの実験評価では、提案モデルがロジスティック回帰やXGBoostベースラインを精度、再現率、F1スコアで大幅に上回り、特に検出が困難なマイクロトランザクション詐欺パターンで顕著な性能を示す。アブレーション研究により、時間的要素とトポロジー的要素の相補的な寄与が確認された。
金融詐欺検出は、金融テクノロジー分野における最も重要な課題の一つである。マネーロンダリングの手法がますます巧妙化し、スマイフィング（少額分散取引）やレイヤリング（階層的送金）などの高度なパターンが出現する中、従来のルールベースや単一モデルによる検出手法では限界がある。arXivに最近投稿された研究論文は、FraudShield AIと呼ばれるハイブリッドフレームワークを提案し、長短期記憶ネットワーク（LSTM）と手作りのグラフトポロジー特徴を融合することで、金融詐欺検出の精度とロバスト性を大幅に向上させることを目指している。
本研究では、金融取引データに極端な不均衡が存在し、詐欺取引は全取引のわずか0.13％であること、また攻撃者が検出を回避するために戦略を絶えず進化させていることを指摘する。FraudShield AIの核心的な革新は、各取引をネットワークのノードとエッジとして捉え、PageRank中心性、入度ダイナミクス、およびカスタムフロー比率といったネットワーク中心の特徴量を設計することで、孤立した取引分析からネットワークレベルのフォレンジック分析へと検出パラダイムを転換した点にある。これにより、取引間の構造的な関係性を捉えることが可能となる。
データ不均衡に対処するため、モデルはFocal Lossを採用している。この損失関数は、分類が容易なサンプルの寄与を自動的に低減し、困難な詐欺サンプルに焦点を当てる。さらに、低額のスマイフィング攻撃のような隠れた攻撃に対応するため、動的しきい値メカニズムが導入された。これは取引のコンテキストに応じて検出しきい値をリアルタイムで調整し、検出感度を大幅に向上させる。
実験は、実際のモバイル決済取引を模擬したPaySimデータセットを用いて実施された。結果は、FraudShield AIがロジスティック回帰やXGBoostなどのベースラインモデルを精度、再現率、F1スコアのすべてで大幅に上回り、特に検出が困難なマイクロトランザクション詐欺パターンにおいて顕著な性能を示した。アブレーション実験により、時系列モジュール（LSTM）とグラフトポロジーモジュールが相補的に機能し、それらの組み合わせが大幅な性能向上をもたらすことが確認された。
本研究は、金融詐欺対策の分野に新たなアプローチを提供する。グラフ分析と時系列モデリングの統合により、FraudShield AIは実際の金融システムにおいてより効果的でインテリジェントな監視を実現し、金融機関がますます複雑化する不正活動に対応するための強力な技術的基盤となることが期待される。将来的には、このフレームワークは保険詐欺やサイバーセキュリティイベント検出など、時系列とネットワーク構造を含む他の異常検出シナリオにも拡張される可能性がある。