Towards Collaborative Anti-Money Laundering Among Financial Institutions

要約

マネーロンダリングは、違法行為から得られた収入を合法化するプロセスであり、そのため、ソースを危険にさらすことなく、経済の金銭的流れへの参入を促進します。
アンチマネーロンダリング（AML）を実施するために、そのような活動を正確かつ確実に特定することが重要です。
AMLへのかなりの努力にもかかわらず、このような活動の多くはまだ検出されません。
ルールベースの方法が最初に導入され、現在の検出システムでまだ広く使用されています。
機械学習の増加に伴い、グラフベースの学習方法は、送金グラフの分析を通じて違法アカウントを検出する際に顕著になりました。
それにもかかわらず、これらの方法は一般に、トランザクショングラフが集中化されていると想定していますが、実際には、マネーロンダリング活動は通常複数の金融機関に及びます。
規制、法律、商業、顧客のプライバシーの懸念により、機関はデータを共有せず、実際の使用法を制限する傾向があります。
この論文では、ローカルデータのセキュリティとプライバシーを保護しながら、複数の機関よりもAMLの実行をサポートする最初のアルゴリズムを提案します。
評価するために、世界最大のモバイル決済プラットフォームであるAlipayからのデジタルトランザクションを含む現実世界のデータセットであるAlipay-ECBを、eコマースバンク（ECB）からのトランザクションとともに構築します。
データセットには、2億を超えるアカウントと3億のアカウントが含まれており、施設内トランザクションとAlipayとECBの間の取引の両方をカバーしています。
これにより、分析に利用できる最大の実世界のトランザクショングラフになります。
実験結果は、私たちの方法がクロス施設のマネーロンダリングサブグループを効果的に識別できることを示しています。
さらに、合成データセットでの実験は、私たちの方法が効率的であり、数百万のトランザクションを備えたデータセットでは数分しか必要としないことを示しています。

要約(オリジナル)

Money laundering is the process that intends to legalize the income derived from illicit activities, thus facilitating their entry into the monetary flow of the economy without jeopardizing their source. It is crucial to identify such activities accurately and reliably in order to enforce anti-money laundering (AML). Despite considerable efforts to AML, a large number of such activities still go undetected. Rule-based methods were first introduced and are still widely used in current detection systems. With the rise of machine learning, graph-based learning methods have gained prominence in detecting illicit accounts through the analysis of money transfer graphs. Nevertheless, these methods generally assume that the transaction graph is centralized, whereas in practice, money laundering activities usually span multiple financial institutions. Due to regulatory, legal, commercial, and customer privacy concerns, institutions tend not to share data, restricting their utility in practical usage. In this paper, we propose the first algorithm that supports performing AML over multiple institutions while protecting the security and privacy of local data. To evaluate, we construct Alipay-ECB, a real-world dataset comprising digital transactions from Alipay, the world’s largest mobile payment platform, alongside transactions from E-Commerce Bank (ECB). The dataset includes over 200 million accounts and 300 million transactions, covering both intra-institution transactions and those between Alipay and ECB. This makes it the largest real-world transaction graph available for analysis. The experimental results demonstrate that our methods can effectively identify cross-institution money laundering subgroups. Additionally, experiments on synthetic datasets also demonstrate that our method is efficient, requiring only a few minutes on datasets with millions of transactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google