BlazingAML：通过多阶段图挖掘实现高吞吐反洗钱 (AML) 系统
分布式、并行与集群计算
2026-04-15 v1
摘要
反洗钱检测面临虚假警报过多和不足以适应现代金融网络中复杂多阶段方案的挑战。图分析和人工智能是有前景的工具，但它们在处理洗钱模式的模糊性问题方面困难，洗钱模式表现出结构和时间上的变化。常规数据挖掘技术需要详细枚举模式变体，这不仅使分析师指定它们的任务复杂化，也导致运行时开销大，难以训练准确的 AI 模型。该论文提出了 BlazingAML，一个可扩展的 AML 系统设计，引入了：1. 一种用于表达模糊洗钱模式的新型多阶段框架；2. 将高级模式描述转换为 CPU 和 GPU 后端高性能代码的领域特定编译器。该多阶段抽象将复杂洗钱方案分解为由图操作连接的逻辑阶段，使能够使用统一的原语表达多样化的模式，同时捕获结构和时间上的模糊性。该编译器应用了各种优化，消除了金融分析师手动进行并行编程的需求。在 IBM AML 数据集上的评估表明，BlazingAML 在获得与最先进方法相同 F1 分数的同时，在 CPU 和 GPU 上分别实现了 210 倍和 333 倍的更高加速，具有更好的可扩展性。
引用
@article{arxiv.2604.12241,
title = {BlazingAML: High-Throughput Anti-Money Laundering (AML) via Multi-Stage Graph Mining},
author = {Haojie Ye and Arjun Laxman and Yichao Yuan and Krisztian Flautner and Nishil Talati},
journal= {arXiv preprint arXiv:2604.12241},
year = {2026}
}