探索大语言模型在金融图中的面向因果的学习能力用于洗钱检测
机器学习
2026-05-12 v2 人工智能
摘要
洗钱行为涉及的实体复杂且高度互联，要求对图结构数据进行调查式推理。本文探讨使用大语言模型（LLM）作为金融知识图中局部子图的推理引擎。我们提出一种轻量级管道：检索感兴趣实体的 k 跳邻域，将其序列化为结构化文本，并通过 few-shot 面向上下文学习（in-context learning）提示 LLM 评估可疑性并生成依据。基于反映常见洗钱行为的合成反洗钱（AML）情景，我们展示 LLM 能否模仿分析师的逻辑，识别红旗并提供连贯解释。尽管本研究仍具探索性，但说明了基于 LLM 的图结构推理在 AML 领域的潜力，为可解释的、语言驱动的金融犯罪分析奠定了基础。
引用
@article{arxiv.2507.14785,
title = {Exploring the In-Context Learning Capabilities of LLMs for Money Laundering Detection in Financial Graphs},
author = {Erfan Pirmorad},
journal= {arXiv preprint arXiv:2507.14785},
year = {2026}
}
备注
Accepted at AI4FCF-ICDM 2025