针对洗钱行为的 GARG-AML：基于图的可扩展可解释反洗钱框架
社会与信息网络
2026-04-24 v3 机器学习
应用统计
摘要
目的：我们介绍 GARG-AML，一种快速且透明的基于图的方法，用于捕获洗钱的常见策略“洗钱”（smurfing）。它为有向和无向网络中的每个账户分配一个简洁易懂的风险评分。不同于过于复杂的模型，它在检测性能与调查人员所需的速度和清晰度之间取得平衡。方法：该方法将账户的直接和二级连接（其二阶邻域）映射到邻接矩阵。通过衡量该矩阵中特定块的密度，GARG-AML 标记出模拟洗钱行为的模式。我们进一步利用决策树和梯度提升分类器提升模型性能，结果在合成数据和公开数据上均与当前最先进方法进行了比较。发现：GARG-AML 在所有测试数据集上匹配或超越了最先进的性能。关键在于，它轻松处理大型金融机构典型的大规模交易图。仅利用二阶邻域的邻接矩阵和基本网络特征，该工作凸显了基本网络属性在推进欺诈检测方面的潜力。原创性：该工作的原创性在于将洗钱的专家知识直接翻译为简单网络表示，而非依赖不可解释的深度学习。由于 GARG-AML 专为实际商业需求（可扩展性和可解释性）而构建，银行可以轻松地将其集成到现有的反洗钱解决方案中。
引用
@article{arxiv.2506.04292,
title = {GARG-AML against Smurfing: A Scalable and Interpretable Graph-Based Framework for Anti-Money Laundering},
author = {Bruno Deprez and Bart Baesens and Tim Verdonck and Wouter Verbeke},
journal= {arXiv preprint arXiv:2506.04292},
year = {2026}
}