一种用于检测交易图中拓扑模式的图机器学习方法

数字生态系统的兴起使金融行业面临不断演变的滥用和犯罪策略，这些策略在不同环境（基于法币、加密资产等）内部和之间共享操作知识和技术。传统的基于规则的系统缺乏检测复杂或协同犯罪行为（模式）所需的适应性，这凸显了对分析行为者交互以揭示可疑活动并提取其作案手法的策略的需求。为此，在这项工作中，我们提出了一种集成图机器学习和网络分析的方法，以改进对交易图中已知拓扑模式的检测。然而，一个关键挑战在于传统金融数据集的局限性，这些数据集通常提供稀疏、无标签的信息，难以用于基于图的模式分析。因此，我们首先提出了一个四步预处理框架，包括：(i) 提取图结构，(ii) 考虑数据的时间性以管理大型节点集，(iii) 检测其中的社区，以及 (iv) 应用自动标注策略生成弱真实标签。然后，在数据处理完毕后，实施图自编码器 (GAE) 来区分已知的拓扑模式。具体来说，在此分析中实现并比较了三种不同的 GAE 变体。初步结果表明，这种以模式为中心、拓扑驱动的方法对于检测复杂的金融犯罪方案是有效的，为传统的基于规则的检测系统提供了一种有前景的替代方案。