反洗钱系统中持续图学习的进展：全面综述
机器学习
2025-08-25 v1
摘要
监管机构要求金融机构报告与洗钱相关的可疑金融交易。因此，他们需要不断监控大量进出交易。检测洗钱的一个特殊挑战是洗钱者不断调整策略以逃避检测。因此，检测方法需要不断微调。传统的机器学习模型在新数据上微调模型时会遭受灾难性遗忘，从而限制了它们在动态环境中的有效性。持续学习方法可以通过允许模型在保留先验知识的同时纳入新信息，来解决这一问题并增强当前的反洗钱（AML）实践。然而，针对 AML 的持续图学习研究仍然很少。在这篇综述中，我们批判性地评估了用于 AML 应用的最先进持续图学习方法。我们在图神经网络（GNN）框架内将这些方法分为基于回放、基于正则化和基于架构的策略，并在合成和真实世界的 AML 数据集上提供了深入的实验评估，展示了不同超参数的影响。我们的分析表明，持续学习在极端类别不平衡和不断演变的欺诈模式面前提高了模型的适应性和鲁棒性。最后，我们概述了关键挑战并提出了未来研究的方向。
引用
@article{arxiv.2503.24259,
title = {Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review},
author = {Bruno Deprez and Wei Wei and Wouter Verbeke and Bart Baesens and Kevin Mets and Tim Verdonck},
journal= {arXiv preprint arXiv:2503.24259},
year = {2025}
}