KDDJul, 2019

比特币反洗钱：基于图卷积网络的金融取证实验

PDF
TL;DR本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色，以及加密货币所引入的假名化和开放数据等新问题，同时提出使用分类算法和图方法来预测和控制非法交易，并分享了一个被标记的比特币交易数据集以供进一步研究。
发现论文，激发创造
  • 可扩展的反洗钱图学习：首次研究

    该研究论文探讨了有组织犯罪对人类社会带来的巨大伤害，特别是针对金融领域的洗钱活动。研究者提出了一种新方法，使用大规模图形深度学习对涉嫌犯罪的金融数据进行犯罪活动监测，实验结果表明该方法具有很大的应用前景。

    Nov, 2018

  • 使用异构图神经网络寻找洗钱者

    本研究首次应用图神经网络（GNN）在一个大规模真实异构网络上，通过结合机器学习技术，提高银行电子监控系统检测洗钱行为的质量。

    Jul, 2023

  • LaundroGraph: 反洗钱自监督图表示学习

    本文提出了一种名为 LaundroGraph 的新型自监督图表示学习方法，可将银行客户和金融交易编码为有意义的表示，并使用这些表示来为 AML 审查过程提供洞见，以识别给定客户的异常交易，从而提高了 AML 的检测效率。

    Oct, 2022

  • 抓住我吧：半监督图学习以揭露洗钱活动

    本文提出一种半监督图学习方法，用于识别潜在的洗钱节点，实验结果表明该方法可以从真实和合成交易图中检测出洗钱活动。

    Feb, 2023

  • 反洗钱的网络分析 —— 系统文献综述与实证评估

    洗钱是一个普遍存在的挑战，通过为非法活动提供资金而对社会构成负担。为了更有效地打击和检测洗钱行为，人们越来越多地利用网络信息进行研究，因为洗钱必然涉及到相互连接的各方。本文对现有文献进行了全面系统的审查，通过对 Web of Science 和 Scopus 数据库中的 97 篇论文进行鉴别和分析，建立了一个遵循 Bockel-Rickermann 等人的欺诈分析框架的方法分类体系。此外，本文还提出了一个综合性实验框架，在统一的环境中评估和比较了著名的网络分析方法的性能。该框架应用于公开可用的 Elliptic 数据集，实现了手动特征工程、基于随机游走的方法和深度学习 GNN 模型。从结果中我们得出结论，网络分析提高了反洗钱模型的预测能力，其中以图神经网络取得了最佳结果。我们提供了实验框架的开源实现，以便研究人员和从业人员可以在此基础上进行扩展和实验，并通过这些结果推动在反洗钱的网络分析中采用标准化的方法和评估体系。

    May, 2024

  • 洗钱的形状：使用 Elliptic2 数据集上区块链的子图表示学习

    通过使用可扩展的图神经网络，以子图级别编码关系信息，通过提供具有反洗钱犯罪活动相关子图的数据集，实现对加密货币中的洗钱行为进行形状学习和准确分类，为反洗钱和取证分析提供了潜在的新标准和直接实际价值。

    Apr, 2024

  • 反洗钱模型的逼真合成金融交易

    这篇论文介绍了一个合成财务交易数据集生成器和一组合成的反洗钱数据集，该生成器已被校准以尽可能接近真实交易，并公开了数据集，可以用于比较不同的图神经网络在 AML 方面的能力。

    Jun, 2023

  • 比特币网络中欺诈交易和非法节点揭秘 —— 金融取证

    该论文提出了一种基于应用数据科学方法的欺诈检测综合方法来检测比特币网络中的欺诈行为，通过对四类图数据 (即交易至交易图、地址至地址交互图、地址交易图和用户实体图) 进行机器学习算法的操作不仅有效检测非法交易和非法地址的欺诈行为、而且也帮助了解加密货币交易中洗钱漏洞的根源和欺诈检测和预防策略。

    May, 2023

  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 利用自适应图神经网络进行交易欺诈检测

    本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

    Jul, 2023