用于检测反洗钱算法不公平性的反事实方法
机器学习
2026-07-06 v1
摘要
基于机器学习的预测算法在反洗钱（AML）中的应用增长迅速，这得益于银行可获得的海量金融交易数据。这些算法通常不仅基于交易数据，还基于敏感的客户信息进行训练，这可能会引发公平性问题。尽管如此，AML 检测系统在公平性视角下仍然在很大程度上未被充分探索，尽管现在已有基于反事实的更深入分析方法可用。这些技术能够分解潜在敏感特征对模型预测的直接和间接影响，从而支持评估其影响从公平性角度来看是否可接受。为弥补这一差距，我们考虑了合成的 IBM AMLSim 交易数据集，并构建了账户所在国家及其平均行为的附加特征。这提高了各种机器学习模型的预测性能，从基线决策树到最先进的图神经网络。我们通过反事实、路径特定效应分析来评估与这些特征相关的潜在不公平性。分析表明，公平性违规在那些预测性能从扩展特征中获益最多的模型中往往更为明显。这一发现凸显了 AML 应用中预测准确性与公平性之间权衡的一个具体实例，从而强调了在此类关键领域进行系统性公平性分析的紧迫性。
引用
@article{arxiv.2607.05101,
title = {Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms},
author = {Lea Multerer and Michele Inchingolo and David Kletz and Adrian Cosma and Alessandro Antonucci and Martina Gogova},
journal= {arXiv preprint arXiv:2607.05101},
year = {2026}
}