Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation
机器学习
2026-04-06 v1
摘要
洗钱对全球金融机构构成持续挑战，而犯罪组织不断演变其手段以规避检测系统。传统反洗钱方法主要依赖预定义的风险规则，导致资源密集型调查和大量误报警报。为了在每天处理数十亿笔交易的同时控制运营成本不断膨胀，金融机构正在投资更复杂的机制以改进现有系统。在本文中，我们提出了 ExSTraQt（EXtract Suspicious TRAnsactions from Quasi-Temporal graph representation），一种用于检测金融数据集中洗钱（或可疑）交易的高级监督学习方法。与最先进的反洗钱（AML）检测模型相比，我们提出的框架在性能上表现出色。我们框架的关键优势在于设计和参数数量上的简洁性，以及在计算和内存需求上的可扩展性。我们在真实数据集和一组合成金融交易数据集上评估了我们框架的交易级检测准确率。对于大多数数据集，我们持续实现了 F1 分数的提升，在真实数据集上最高提升 1%；在一个合成数据集上提升超过 8%。我们还声称我们的框架可以无缝补充银行中现有的反洗钱检测系统。我们的代码和数据集可在 https://github.com/mhaseebtariq/exstraqt 获取。
引用
@article{arxiv.2604.02899,
title = {Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation},
author = {Haseeb Tariq and Marwan Hassani},
journal= {arXiv preprint arXiv:2604.02899},
year = {2026}
}