利用无监督学习技术打击金融犯罪：聚类与降维在反洗钱中的应用
统计金融
2024-03-05 v1 机器学习
摘要
反洗钱（Anti-Money Laundering, AML）是确保金融系统完整性的关键任务。AML 的一项核心挑战是基于行为识别高风险群体。无监督学习，尤其是聚类分析，是解决该任务的有前景方案。然而，使用数百个特征描述行为会导致高维数据集，从而 negatively 影响聚类性能。本文研究了将凝聚层次聚类方法与四种降维技术——独立成分分析（Independent Component Analysis, ICA）、核主成分分析（Kernel Principal Component Analysis, KPCA）、奇异值分解（Singular Value Decomposition, SVD）和局部保持投影（Locality Preserving Projections, LPP）——相结合的有效性，以克服 AML 数据中的高维性问题并提升聚类结果。本研究旨在揭示降低 AML 数据维度最有效的方式，并提高基于聚类的 AML 系统的准确性。实验结果表明，当与凝聚层次聚类结合时，KPCA 的表现优于其他降维技术。三种不同的验证指标证实，这种优势在大多数情况下均成立。
引用
@article{arxiv.2403.00777,
title = {Combating Financial Crimes with Unsupervised Learning Techniques: Clustering and Dimensionality Reduction for Anti-Money Laundering},
author = {Ahmed N. Bakry and Almohammady S. Alsharkawy and Mohamed S. Farag and Kamal R. Raslan},
journal= {arXiv preprint arXiv:2403.00777},
year = {2024}
}