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

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

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

本文使用图形嵌入方法将信用卡交易的账户和商家实体嵌入到欧氏向量空间中，并展示了这些嵌入可以用于欺诈检测等机器学习业务应用。

Jul, 2019

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

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

我们介绍了一种名为 “Graph Feature Preprocessor” 的软件库，用于实时检测金融交易图中的典型洗钱和欺诈模式。该库利用多核并行性，在内存中维护动态图，并高效地挖掘传入交易流中的子图模式，从而能够以流式方式操作。我们通过使用高度不平衡的合成反洗钱（AML）和现实生活中的以太坊钓鱼数据集对我们的库进行评估。结合我们的 Graph Feature Preprocessor 和基于梯度提升的机器学习模型，我们的解决方案能够以比标准图神经网络更高的少数类 F1 分数检测到这些非法交易。此外，我们的解决方案在多核 CPU 上的端到端吞吐量优于在强大的 V100 GPU 上执行的图神经网络基准。总体而言，我们的解决方案的高准确性、高吞吐量和低延迟展示了我们的库在实际应用中的实际价值。

Feb, 2024

我们研究了在线金融市场中越来越重要的加密货币交易网络上的非法账户检测。我们提出了 DIAM，这是一个新颖的多图神经网络模型，旨在有效地检测大型交易网络上的非法账户。通过将边属性和有向边序列依赖考虑在内，DIAM 自动学习了有效的节点表示，并利用多图拓扑结构采用了新的多图差异（MGD）模块，通过设计良好的消息传递机制捕捉正常和非法节点之间的差异特征，从而在大量实验证明 DIAM 在准确检测非法账户方面始终表现最佳，同时具有高效性。

Sep, 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