GRANDE：一种面向有向多重图的神经模型及其在反洗钱中的应用
机器学习
2023-02-07 v1
摘要
图表示学习技术在金融风险管理（FRM）领域的应用近期引起了广泛关注。然而，直接使用图神经模型对交易网络进行建模仍然具有挑战性：首先，交易网络本质上是有向多重图，目前大多数现成的图神经网络（GNN）无法妥善处理这类图。其次，在反洗钱（AML）等金融风险管理场景中，一个关键问题是识别高风险交易，这很自然地被转化为一个具有丰富边级别特征的边分类问题，而主流的以节点为中心的消息传递协议设计的 GNN 并未充分利用这些特征。在本文中，我们对有向多重图上神经模型的设计方面进行了系统性研究，并开发了一种新颖的 GNN 协议，通过有效整合方向信息来克服上述挑战，同时提出了一种增强方法，该方法通过在边到节点对偶图的扩展上使用新颖的消息传递方案来针对边相关任务。利用所提出的协议，我们推导出一个名为 GRANDE 的具体 GNN 架构，并对其进行了若干改进和向时序动态图的推广。我们将 GRANDE 模型应用于一个真实世界的反洗钱任务和公开数据集。实验评估表明，所提出的 GRANDE 架构在动态图建模和有向图建模方面优于近期最先进的模型。
引用
@article{arxiv.2302.02101,
title = {GRANDE: a neural model over directed multigraphs with application to anti-money laundering},
author = {Ruofan Wu and Boqun Ma and Hong Jin and Wenlong Zhao and Weiqiang Wang and Tianyi Zhang},
journal= {arXiv preprint arXiv:2302.02101},
year = {2023}
}
备注
Accepted as regular paper at ICDM 2022