不正取引検知、Transformerで偽陽性30%削減

金融取引の不正検知にTransformerアーキテクチャを適用し、偽陽性率を30%削減しながら検出率を維持する手法が提案された。不正検知の現場における最大の課題である「アラート疲れ」の軽減に直結する成果である。

従来のルールベース・機械学習ベースの不正検知システムは、不正取引の検出率は高いものの、正常な取引を不正と誤判定する偽陽性率が問題であった。大手金融機関では1日あたり数千件のアラートが発生し、その90%以上が偽陽性である実態が報告されている。

本研究はTransformerの自己注意機構を活用し、取引の時系列パターンと口座間の関係性を同時にモデル化。取引の「文脈」を理解することで、一見不審に見えるが実際は正常な取引パターン（季節的な大口送金、定期的な海外送金等）を学習する。

評価実験では欧州の決済ネットワークの匿名化データ（1億件、6ヶ月分）を使用。不正検出率（再現率）は従来手法の96.2%から95.8%とほぼ維持しつつ、偽陽性率を12.3%から8.6%に削減した。この3.7ポイントの削減は、1日あたり数百件のアラート削減に相当する。

リスク管理部門・コンプライアンス部門への影響は直接的である。アラート確認の人的コスト削減（年間で調査員2-3名分相当）に加え、真の不正取引への対応リソースを集中できるようになる。また、不要なアラートによる顧客口座凍結の減少は、顧客体験の改善にも寄与する。

金融庁のAIガイドラインとの整合性も確認されている。モデルの判断根拠を可視化する説明可能性モジュールが搭載されており、規制当局への説明責任を果たせる設計となっている。