利用异构图神经网络发现洗钱者
机器学习
2023-07-26 v1 机器学习
摘要
当前 predominantly 基于规则的反洗钱(AML)系统在高效、精确检测洗钱实例方面存在显著不足。因此,近期探索替代方法尤其是利用机器学习的方法迅速增多。由于犯罪分子常在其洗钱活动中相互勾结,考虑多样化的客户关系与关联类型至关重要。据此,本文引入一种图神经网络(GNN)方法,用于在由挪威最大银行 DNB 的真实世界银行交易与业务角色数据构建的大型异构图中所存在的洗钱活动。具体而言,我们将称为消息传递神经网络(MPNN)的同构 GNN 方法扩展以在异构图上有效运作。在此过程中,我们提出了一种跨图不同类型边聚合消息的新方法。我们的发现凸显了在异构图中融合信息时采用恰当 GNN 架构的重要性。我们模型的性能结果表明其在提升银行用于检测洗钱实例的电子监控系统的质量方面具有巨大潜力。据我们所知,这是首篇将 GNN 应用于大型真实世界异构网络以用于反洗钱目的的已发表工作。
引用
@article{arxiv.2307.13499,
title = {Finding Money Launderers Using Heterogeneous Graph Neural Networks},
author = {Fredrik Johannessen and Martin Jullum},
journal= {arXiv preprint arXiv:2307.13499},
year = {2023}
}