使用异构图神经网络寻找洗钱者
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
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
该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。
Mar, 2022
本篇论文提出了一种用于检测 Alipay 上的恶意账户的异构图神经网络方法，引入了一种基于连接子图的自适应学习方式，通过注意力机制来学习不同类型节点的重要性，使用求和运算符对每种类型节点的聚合模式建模，实验证明该方法相对于竞争方法具有更加优异的性能表现。
Feb, 2020
本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。
Feb, 2020
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
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