面向反洗钱的可扩展图学习：初步探索
社会与信息网络
2018-12-04 v1 人工智能
机器学习
摘要
有组织犯罪造成了种族灭绝规模的人类苦难：自2006年以来，墨西哥贩毒集团已谋杀150,000人，每年有多达700,000人在人口贩卖产业中被“出口”，该产业奴役了估计4000万人。这些罪恶产业依赖复杂的洗钱方案来运作。尽管投入了大量资源用于反洗钱（AML），但只有极小一部分非法活动被阻止。研究界可以提供帮助。在这篇简短的论文中，我们梳理了驱动这一技术挑战的结构与行为动态。我们回顾了当前和新兴的 AML 方法。我们首次探讨了将可扩展的图卷积神经网络应用于金融数据的取证分析，这些数据具有海量、密集且动态的特征。我们报告了使用大型合成图（1M 节点，9M 边）的初步实验结果，该图由我们开发的数据模拟器 AMLSim 生成。我们考虑了在计算和内存方面实现高性能效率的机会，并分享了一个简单图压缩实验的结果。我们的结果支持了我们的工作假设：用于 AML 的图深度学习在打击犯罪金融活动方面具有巨大前景。
引用
@article{arxiv.1812.00076,
title = {Scalable Graph Learning for Anti-Money Laundering: A First Look},
author = {Mark Weber and Jie Chen and Toyotaro Suzumura and Aldo Pareja and Tengfei Ma and Hiroki Kanezashi and Tim Kaler and Charles E. Leiserson and Tao B. Schardl},
journal= {arXiv preprint arXiv:1812.00076},
year = {2018}
}
备注
NeurIPS 2018 Workshop on Challenges and Opportunities for AI in Financial Services: the Impact of Fairness, Explainability, Accuracy, and Privacy, Montreal, Canada