LaundroGraph：用于反洗钱的自监督图表示学习
机器学习
2022-10-28 v1 人工智能
摘要
反洗钱（AML）法规要求金融机构部署基于一组规则的 AML 系统，当规则被触发时，将构成由人类分析师评估的可疑警报。审查这些案件是一项繁琐且复杂的任务，要求分析师在庞大的金融交互网络中导航以验证可疑资金流动。此外，这些系统具有极高的假阳性率（估计超过 95%）。标签的稀缺性阻碍了基于监督学习的替代系统的使用，降低了其在实际应用中的适用性。在本工作中，我们提出了 LaundroGraph，一种新颖的自监督图表示学习方法，用于将银行客户和金融交易编码为有意义的表示。这些表示用于提供洞察以协助 AML 审查过程，例如识别给定客户的异常资金流动。LaundroGraph 将底层金融交互网络表示为客户-交易二部图，并在完全自监督的链路预测任务上训练图神经网络。我们通过实验证明，在使用真实世界数据集的自监督链路预测任务上，我们的方法优于其他强基线，将最佳非图基线的 AUC 提高了 个百分点。目标是通过在审查时向分析师提供这些 AI 驱动的洞察来提高审查过程的效率。据我们所知，这是 AML 检测背景下首个完全自监督的系统。
引用
@article{arxiv.2210.14360,
title = {LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering},
author = {Mário Cardoso and Pedro Saleiro and Pedro Bizarro},
journal= {arXiv preprint arXiv:2210.14360},
year = {2022}
}
备注
Accepted at ACM International Conference on AI in Finance 2022 (ICAIF'22)