基于图自编码器的合成模式生成与金融活动检测
机器学习
2026-01-30 v1 计算工程、金融与科学
新兴技术
摘要
洗钱等非法金融活动往往通过交易网络中反复出现的拓扑模式显现。自动检测这些模式由于缺乏标注的真实数据和严格的隐私限制仍具有挑战。为此，我们研究图自编码器 (GAE) 是否能在合成数据上有效学习和区分模仿洗钱操作的拓扑模式。分析分为两个阶段：(i) 数据生成，利用参数化生成器为七种已知非法活动模式创建合成样本，保持结构一致性的同时引入真实的变异性；(ii) 模型训练与验证，针对每个模式训练独立的 GAE，不使用显式标签，仅依赖重构误差作为所学习结构的指示器。我们比较了三种基于不同卷积层的 GAE 实现：Graph Convolutional (GAE-GCN)、GraphSAGE (GAE-SAGE) 和 Graph Attention Network (GAE-GAT)。实验结果表明，GAE-GCN 在各类模式中实现最一致的重构性能，而 GAE-SAGE 和 GAE-GAT 仅在少数特定模式中表现出竞争力。这些发现表明，基于合成数据的图表示学习为开发针对非法行为检测的 AI 工具提供了可行路径，克服了金融数据集的局限性。
引用
@article{arxiv.2601.21446,
title = {Synthetic Pattern Generation and Detection of Financial Activities using Graph Autoencoders},
author = {Francesco Zola and Lucia Muñoz and Andrea Venturi and Amaia Gil},
journal= {arXiv preprint arXiv:2601.21446},
year = {2026}
}
备注
Accept to The 7th International Workshop on Statistical Methods and Artificial Intelligence (IWSMAI'26)