DELATOR：基于大规模交易图多任务学习的洗钱检测
机器学习
2022-10-26 v2 社会与信息网络
摘要
洗钱已成为现代社会中最为相关的犯罪活动之一，因其给政府、银行及其他机构造成巨额财务损失。检测此类活动是金融分析中的首要任务之一，但当前方法往往成本高且劳动密集，部分原因在于需分析的数据量庞大。因此，对辅助专家的自动反洗钱系统的需求日益增长。本工作中，我们提出 DELATOR，一种基于图神经网络、从大规模时序图学习的洗钱活动检测新框架。DELATOR 通过借鉴 GraphSMOTE 框架的思想并引入多任务学习要素以获取用于节点分类的丰富节点嵌入，提供了一种从严重不平衡图数据中进行高效学习的方法。DELATOR 在 AUC-ROC 上优于所有考虑的基线，包括 Amazon AWS 的现成解决方案，超出 23%。我们还进行了真实实验，在分析的 50 个案例中发现 7 个新的可疑案例，已上报 authorities。
引用
@article{arxiv.2205.10293,
title = {DELATOR: Money Laundering Detection via Multi-Task Learning on Large Transaction Graphs},
author = {Henrique S. Assumpção and Fabrício Souza and Leandro Lacerda Campos and Vinícius T. de Castro Pires and Paulo M. Laurentys de Almeida and Fabricio Murai},
journal= {arXiv preprint arXiv:2205.10293},
year = {2022}
}
备注
Accepted for publication in the 2022 IEEE International Conference on Big Data (IEEE BigData) as a short paper