反洗钱模型的逼真合成金融交易
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
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。
Jul, 2019
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
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
提出一种从原始数据集生成安全合成数据集的方法,基于预训练的深度神经网络(DNN)的批量归一化(BN)层统计信息和随机噪声进行优化来匹配原始数据的层次统计分布。该方法可以用于从头开始训练神经网络来产生合理的分类性能。
Oct, 2022
该研究提出了一个适用于领域特定约束条件的框架(称为 FaSTMAN),以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性,使我们能够在更小而密集的网络流中分配复杂查询。最后,基于这些查询,我们可以有效地识别可疑流动的网络。在对来自多个大型欧洲银行的超过 10 亿个交易数据集进行了广泛评估后,结果表明我们的框架在效率和实用性上具有明显的优势。
Sep, 2023