Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review

要約

金融機関は、マネーロンダリングに関連する疑わしい金融取引を報告するために規制により義務付けられています。
したがって、彼らは膨大な量の受信と発信トランザクションを常に監視する必要があります。
マネーロンダリングの検出における特定の課題は、マネーロンダラーが検出を回避するために戦術を継続的に適応させることです。
したがって、検出方法には一定の微調整が必​​要です。
従来の機械学習モデルは、新しいデータでモデルを微調整する際に壊滅的な忘却に苦しみ、それにより動的環境での有効性が制限されます。
継続的な学習方法は、この問題に対処し、現在のマネーロンダリング（AML）プラクティスを強化する場合があります。これにより、モデルは事前知識を保持しながら新しい情報を組み込むことができます。
ただし、AMLの継続的なグラフ学習に関する研究はまだ不足しています。
このレビューでは、AMLアプリケーションの最先端の継続的なグラフ学習アプローチを批判的に評価します。
グラフニューラルネットワーク（GNN）フレームワーク内のリプレイベースの正規化ベース、およびアーキテクチャベースの戦略にメソッドを分類し、異なるハイパーパラメーターの効果を示す合成および実世界のAMLデータセットの両方で詳細な実験評価を提供します。
私たちの分析は、継続的な学習が極端なクラスの不均衡と進化する詐欺パターンに直面して、モデルの適応性と堅牢性を改善することを示しています。
最後に、重要な課題の概要を説明し、将来の研究の方向性を提案します。

要約(オリジナル)

Financial institutions are required by regulation to report suspicious financial transactions related to money laundering. Therefore, they need to constantly monitor vast amounts of incoming and outgoing transactions. A particular challenge in detecting money laundering is that money launderers continuously adapt their tactics to evade detection. Hence, detection methods need constant fine-tuning. Traditional machine learning models suffer from catastrophic forgetting when fine-tuning the model on new data, thereby limiting their effectiveness in dynamic environments. Continual learning methods may address this issue and enhance current anti-money laundering (AML) practices, by allowing models to incorporate new information while retaining prior knowledge. Research on continual graph learning for AML, however, is still scarce. In this review, we critically evaluate state-of-the-art continual graph learning approaches for AML applications. We categorise methods into replay-based, regularization-based, and architecture-based strategies within the graph neural network (GNN) framework, and we provide in-depth experimental evaluations on both synthetic and real-world AML data sets that showcase the effect of the different hyperparameters. Our analysis demonstrates that continual learning improves model adaptability and robustness in the face of extreme class imbalances and evolving fraud patterns. Finally, we outline key challenges and propose directions for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google