基于线图辅助的多视角图神经网络反欺诊
机器学习
2026-03-26 v1 人工智能
计算金融
摘要
反洗钱 (AML) 系统对于维护全球经济至关重要。然而，传统的基于规则的方法依赖于领域知识，导致准确率不足且缺乏可扩展性。针对有向图 (digraph) 的图神经网络 (GNN) 可应用于交易图中捕获可疑交易或账户，但大多数谱系 GNN 不自然支持多维边特征，因边修改而缺乏可解释性，且因其谱系性质而受限于可扩展性。相反，大多数空间方法可能无法很好地捕获资金流。因此，本文提出 LineMVGNN (Line-Graph-Assisted Multi-View Graph Neural Network)，一种新型空间方法，考虑支付与收款交易。具体而言，LineMVGNN 模型扩展了一个轻量级 MVGNN 模块，在交易图中执行双向消息传递。此外，LineMVGNN 融合原始交易图的线图视图，以增强交易信息的传播。我们在两个真实世界的账户级交易数据集上进行实验：以太坊钓鱼交易网络数据集和来自我们行业合作伙伴的一个金融支付交易数据集。结果表明，我们提出的方法在多种 SOTA 方法中均表现出色，凸显了运用线图辅助多视角图学习进行洗钱活动检测的有效性。我们还讨论了所提方法的可扩展性、对抗鲁棒性及监管考量。
引用
@article{arxiv.2603.23584,
title = {LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks},
author = {Chung-Hoo Poon and James Kwok and Calvin Chow and Jang-Hyeon Choi},
journal= {arXiv preprint arXiv:2603.23584},
year = {2026}
}
备注
Published as a journal paper in AI 2025