金融犯罪検出のための時系列対照的Transformer：自己教師あり予測対照符号化

金融犯罪の検出は、金融機関にとって喫緊の課題であり、従来のルールベースや単純な機械学習モデルでは見逃される複雑な不正パターンが増加しています。この課題に対応するため、ArXiv論文では「Temporal Contrastive Transformer（TCT）」という表現学習フレームワークが提案されました。TCTは、金融取引のシーケンスにおける文脈的な時系列ダイナミクスを捉えることを目的としています。モデルは自己教師あり対照学習（self-supervised contrastive learning）を用いて訓練され、時間の経過とともに生じる行動パターンをエンコードした埋め込み（embeddings）を生成します。実験結果は、TCTによって学習された埋め込み単独でも、0.8644という高いAUCスコアを達成し、非自明な時系列構造を捉えていることを示しました。ただし、ドメインエンジニアリングされた特徴量と組み合わせた場合、さらなる改善は見られなかったものの、TCTは金融不正検出における新たな特徴量エンジニアリングの手法として有望な可能性を秘めています。