[論文レビュー] Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review

Yisong Chen, Conghui Zhao+3 more|ArXiv.org|Jan 31, 2025

Imbalanced Data Classification Techniques被引用数 5

ひとこと要約

Kitchenhamベースの深層学習による金融詐欺検出の系統的レビューで、2019–2024年の57件の研究を、セクター、モデル、前処理、プライバシーの考慮事項にわたって分析。

ABSTRACT

This paper systematically reviews advancements in deep learning (DL) techniques for financial fraud detection, a critical issue in the financial sector. Using the Kitchenham systematic literature review approach, 57 studies published between 2019 and 2024 were analyzed. The review highlights the effectiveness of various deep learning models such as Convolutional Neural Networks, Long Short-Term Memory, and transformers across domains such as credit card transactions, insurance claims, and financial statement audits. Performance metrics such as precision, recall, F1-score, and AUC-ROC were evaluated. Key themes explored include the impact of data privacy frameworks and advancements in feature engineering and data preprocessing. The study emphasizes challenges such as imbalanced datasets, model interpretability, and ethical considerations, alongside opportunities for automation and privacy-preserving techniques such as blockchain integration and Principal Component Analysis. By examining trends over the past five years, this review identifies critical gaps and promising directions for advancing DL applications in financial fraud detection, offering actionable insights for researchers and practitioners.

研究の動機と目的

• 近年、DLが対象とする金融詐欺の種類の傾向を評価する。
• 前処理、不均衡データの処理、DLによって実現された自動化の改善を評価する。
• 詐欺検出のためのDLモデルの進歩を特定する。
• セクター横断で用いられるベンチマークと評価指標を検討し、これらとデータの不均衡との関係を検討する。
• データプライバシー、匿名化、および規制が詐欺検出へのDL適用にどのように影響しているかを探る。

提案手法

• 研究の選択と総括にKitchenham系統的レビュー枠組みを適用する。
• PubMed、SSRN、IEEE Xplore、ACM DL、ScienceDirect、Scopusをドメインキーワードとともに検索する。
• 2019–2024年のオリジナルで英語文献の査読付きDLベースの詐欺検出研究をスクリーニングする。
• データセット、モデル、前処理、指標、およびプライバシー配慮に関する構造化データを抽出する。
• PythonライブラリとVOSviewerを用いてキーワードネットワークの動向を可視化する。

Figure 1: Literature Review Methodology

実験結果

リサーチクエスチョン

• RQ1 近年、DLを用いて対象とされる金融詐欺の種類にはどのような傾向があるか。
• RQ2 特徴量エンジニアリング、不均衡データの前処理、およびDLによる自動化が性能と検知時間にどのように影響したか。
• RQ3 金融詐欺検出のDLモデルにおいてどのような進歩があったか。
• RQ4 セクター横断でのベンチマークと評価指標にはどのような傾向があるか。
• RQ5 データプライバシー、匿名化、および規制ルールが金融詐欺検出のDL適用にどのように影響しているか。

主な発見

Metrics Name	Formula	Description
Accuracy	(TP+TN)/(TP+TN+FP+FN)	Measures the proportion of correctly classified instances (fraud and non-fraud) out of the total instances. High accuracy is not always reliable in fraud detection due to class imbalance.
Precision	TP/(TP+FP)	Measures the proportion of correctly predicted fraud cases out of all predicted fraud cases. High precision indicates fewer false positives.
Recall (Sensitivity)	TP/(TP+FN)	Measures the proportion of actual fraud cases correctly identified by the model. High recall indicates fewer false negatives.
F1 Score	2×(Precision×Recall)/(Precision+Recall)	The harmonic mean of precision and recall. Balances precision and recall when both false positives and false negatives are costly.
AUC-ROC	Area under the ROC curve (TPR vs FPR)	Measures the model’s ability to distinguish fraud from non-fraud across thresholds.
AUC-PR	Area under the Precision-Recall curve (Precision vs Recall)	Focuses on the positive class in imbalanced datasets; higher is better.
False Positive Rate (FPR)	FP/(FP+TN)	Proportion of legitimate transactions incorrectly flagged as fraud.
False Negative Rate (FNR)	FN/(FN+TP)	Proportion of fraudulent transactions missed by the model.
Cost of False Positives	C_FP × FP	Financial/operational cost of incorrectly flagging legitimate transactions.
Cost of False Negatives	C_FN × FN	Financial loss or risk from failing to detect fraud.

• 初期2,858件のうち57件の高品質論文を分析し、スクリーニング後に427件に絞り、2019–2024年に跨る。
• 2019–2021年にはDL詐欺検出研究が着実に増加し、2022年以降急増、2023–2024年には急激な上昇。
• クレジットカード・銀行セクターが最大の研究活動を示し、暗号資産/ブロックチェーンと決済が新興分野である一方、税金、住宅ローン/ローン、マネーロンダリングは表現が少ない。
• 不均衡データは蔓延する課題であり、48/57件の論文が不均衡を報告し、SMOTE、GANs/VAEs、ADASYN、そして高度な補完法の使用を促している。
• 検知の高速化とデータ保護のため、ブロックチェーン、連合学習、PCAなどの自動化・プライバシー保護技術がますます検討されている。
• LSTM、MLP、CNN、Transformerベースの手法、GNN、GAN、VAEなど、幅広いモデルが進展を推進しており、ハイブリッドモデルとドメイン特化の指標が一般的である。

Figure 2: Literature Review Methodology