Catch Me If You Can: Semi-supervised Graph Learning for Spotting Money Laundering

要約

マネー ロンダリングとは、犯罪者が金融サービスを利用して大量の違法な資金を追跡不可能な場所に移動し、合法的な金融システムに統合するプロセスです。
アンチマネーロンダリング (AML) を実施するには、このような活動を正確かつ確実に特定することが非常に重要です。
AML への多大な努力にもかかわらず、違法行為のごく一部しか防止されていません。
銀行の口座間の送金の特定のグラフから、既存のアプローチはマネーロンダリングを検出しようとしました。
特に、一部のアプローチでは、密なサブグラフ検出の構造的および行動的ダイナミクスを採用しているため、マネーロンダリングが銀行口座のチェーンを介した大量の資金の流れを伴うことを考慮していません。
いくつかのアプローチでは、マルチパート グラフの形式でトランザクションをモデル化し、ソースから宛先への完全な資金の流れを検出します。
ただし、既存のアプローチでは検出精度が低く、信頼性が低くなります。
この論文では、潜在的なマネーロンダリングに関与するノードを特定するために、金融取引のグラフに半教師付きグラフ学習手法を採用しています。
実験結果は、私たちのアプローチが実際のトランザクション グラフと合成トランザクション グラフからマネー ロンダリングを実行できることを示唆しています。

要約(オリジナル)

Money laundering is the process where criminals use financial services to move massive amounts of illegal money to untraceable destinations and integrate them into legitimate financial systems. It is very crucial to identify such activities accurately and reliably in order to enforce an anti-money laundering (AML). Despite tremendous efforts to AML only a tiny fraction of illicit activities are prevented. From a given graph of money transfers between accounts of a bank, existing approaches attempted to detect money laundering. In particular, some approaches employ structural and behavioural dynamics of dense subgraph detection thereby not taking into consideration that money laundering involves high-volume flows of funds through chains of bank accounts. Some approaches model the transactions in the form of multipartite graphs to detect the complete flow of money from source to destination. However, existing approaches yield lower detection accuracy, making them less reliable. In this paper, we employ semi-supervised graph learning techniques on graphs of financial transactions in order to identify nodes involved in potential money laundering. Experimental results suggest that our approach can sport money laundering from real and synthetic transaction graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google