# GINでの金融詐欺の検出

> GINでの金融詐欺の検出 - DRUMを使用して、Graph Isomorphism Network (GIN)をDataRobotのカスタムモデルタスクとして連携します。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.224372+00:00` (UTC).

## Primary page

- [GINでの金融詐欺の検出](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/custom-model-dev/graph-gin.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/advanced_ml_and_api_approaches/graph_financial_fraud_classification/Graph_Financial_Fraud_Classification.ipynb)

このアクセラレーターでは、DataRobotのカスタムモデルタスクとして、Graph Isomorphism Network (GIN)のエンドツーエンドの実装を紹介します。 これは、モデル開発、ローカルテスト、DataRobotのカスタムモデルフレームワークとの連携など、さまざまな目的に使用できます。

このアクセラレーターの主な目的は、DataRobotにカスタムグラフベースのタスクを追加するための完全なパイプラインを示すことと、DataRobotのカスタムモデルフックの実装について概要を示すことです。 これらのフックには以下が含まれます。

- transform ：JSON形式のグラフデータをDGL形式に前処理します。 DRUMフックは、 fit および score フックを実行する前に、自動的に transform を呼び出します。
- fit ：GINモデルをトレーニングし、暗黙的に保存します。
- score ：予測モードでデータをスコアリングします。
- load_model ：事前にトレーニングされたモデルをロードします。

アクセラレーターのワークフローには、大きく分けて3つのステップがあります。

1. DRUMプロセスを手動で実装します。DRUMを使用して、データ変換、モデルトレーニング、予測を順を追って実行します。
2. モデルをDataRobotに統合する前に、DRUMを使用してローカルでモデルをテストし、フックを検証します。
3. 検証が自動化され、しきい値が最適化されたカスタムタスクをDataRobotに実装します。