基于对比学习的Transformer表示学习用于洗钱活动检测
机器学习
2025-07-15 v1 人工智能
统计理论
风险管理
统计金融
统计理论
摘要
本工作致力于解决洗钱活动检测问题。引入一种新方法，利用Transformer神经网络处理结构化的时间序列数据（包括定性和定量数据）。该方法的第一步通过对比学习（不使用任何标签）学习时间序列的表示。第二步利用这些表示为所有观测值生成洗钱评分。随后引入两种阈值方法，通过巴甫洛希尔方法（Benjamini-Hochberg, BH）控制假阳性率。实验表明，Transformer能够产生通用表示，成功地在缺乏领域专家监督的情况下捕捉洗钱模式。该方法还展示了在控制假阳性率的前提下，检测非违法者和违法者能力的提升。这与基于规则的方法或基于LSTM架构的方法形成鲜明对比。
引用
@article{arxiv.2507.08835,
title = {Representation learning with a transformer by contrastive learning for money laundering detection},
author = {Harold Guéneau and Alain Celisse and Pascal Delange},
journal= {arXiv preprint arXiv:2507.08835},
year = {2025}
}