Finding Money Launderers Using Heterogeneous Graph Neural Networks

要約

現在のマネーロンダリング対策 (AML) システムは主にルールベースですが、マネーロンダリングの事例を効率的かつ正確に検出する上で顕著な欠点があります。
その結果、最近では、特に機械学習を利用した代替アプローチを模索する動きが活発になっています。
犯罪者はマネーロンダリングの取り組みに協力することが多いため、さまざまな種類の顧客関係とつながりを考慮することが重要になります。
これに沿って、本論文では、現実世界の銀行取引とノルウェー最大の銀行であるDNBに属するビジネス役割データから構築された大規模な異種ネットワーク内でマネーロンダリング活動を特定するためのグラフニューラルネットワーク(GNN)アプローチを紹介します。
具体的には、メッセージ パッシング ニューラル ネットワーク (MPNN) として知られる同種の GNN メソッドを拡張し、異種のグラフ上で効果的に動作できるようにします。
この手順の一部として、グラフのさまざまなエッジにわたってメッセージを集約するための新しい方法を提案します。
私たちの調査結果は、異種グラフ内の情報を組み合わせるときに適切な GNN アーキテクチャを使用することの重要性を強調しています。
私たちのモデルのパフォーマンス結果は、銀行がマネーロンダリングの事例を検出するために採用している電子監視システムの品質を向上させる大きな可能性を示しています。
私たちの知る限り、これは、マネーロンダリング対策の目的で、現実世界の大規模な異種ネットワークに GNN を適用した最初の出版作品です。

要約(オリジナル)

Current anti-money laundering (AML) systems, predominantly rule-based, exhibit notable shortcomings in efficiently and precisely detecting instances of money laundering. As a result, there has been a recent surge toward exploring alternative approaches, particularly those utilizing machine learning. Since criminals often collaborate in their money laundering endeavors, accounting for diverse types of customer relations and links becomes crucial. In line with this, the present paper introduces a graph neural network (GNN) approach to identify money laundering activities within a large heterogeneous network constructed from real-world bank transactions and business role data belonging to DNB, Norway’s largest bank. Specifically, we extend the homogeneous GNN method known as the Message Passing Neural Network (MPNN) to operate effectively on a heterogeneous graph. As part of this procedure, we propose a novel method for aggregating messages across different edges of the graph. Our findings highlight the importance of using an appropriate GNN architecture when combining information in heterogeneous graphs. The performance results of our model demonstrate great potential in enhancing the quality of electronic surveillance systems employed by banks to detect instances of money laundering. To the best of our knowledge, this is the first published work applying GNN on a large real-world heterogeneous network for anti-money laundering purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google