論文の概要: Anti-Money Laundering Alert Optimization Using Machine Learning with Graphs

• arxiv url: http://arxiv.org/abs/2112.07508v1
• Date: Tue, 14 Dec 2021 16:12:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 19:38:33.595808
• Title: Anti-Money Laundering Alert Optimization Using Machine Learning with Graphs
• Title（参考訳）: グラフを用いた機械学習による反モニー洗浄アラート最適化
• Authors: Ahmad Naser Eddin, Jacopo Bono, David Apar\'icio, David Polido, Jo\~ao Tiago Ascens\~ao, Pedro Bizarro, Pedro Ribeiro
• Abstract要約: マネーロンダリング(英: Money laundering)は、重大通貨からの収益(毎年1.7-4兆ユーロ)の合法化に関する世界的な問題である。 本稿では,ルールベースシステムを補完し,警告のリスクを正確に予測する機械学習トリアージモデルを提案する。 実世界の銀行のデータセット上で、我々のモデルを検証し、トリアージモデルが真正の90%以上を検出しながら、偽正の数を80%削減できることを示す。
• 参考スコア（独自算出の注目度）: 0.769672852567215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Money laundering is a global problem that concerns legitimizing proceeds from serious felonies (1.7-4 trillion euros annually) such as drug dealing, human trafficking, or corruption. The anti-money laundering systems deployed by financial institutions typically comprise rules aligned with regulatory frameworks. Human investigators review the alerts and report suspicious cases. Such systems suffer from high false-positive rates, undermining their effectiveness and resulting in high operational costs. We propose a machine learning triage model, which complements the rule-based system and learns to predict the risk of an alert accurately. Our model uses both entity-centric engineered features and attributes characterizing inter-entity relations in the form of graph-based features. We leverage time windows to construct the dynamic graph, optimizing for time and space efficiency. We validate our model on a real-world banking dataset and show how the triage model can reduce the number of false positives by 80% while detecting over 90% of true positives. In this way, our model can significantly improve anti-money laundering operations.
• Abstract（参考訳）: マネーロンダリング(英: money laundering)は、麻薬取引、人身売買、汚職などの重罪(毎年1.7-4兆ユーロ)から収益を正当化することに関する世界的な問題である。 金融機関が展開するマネーロンダリングシステムは通常、規制の枠組みに沿って規則を構成する。 人間の調査員は警告を見直し、不審な事件を報告します。 このようなシステムは偽陽性率が高く、有効性が低下し、運用コストが高くなる。 本稿では,ルールベースシステムを補完し,警告のリスクを正確に予測する機械学習トリアージモデルを提案する。 我々のモデルは、エンティティ中心のエンジニアリングされた特徴と、グラフベースの特徴の形での相互関係を特徴付ける属性の両方を使用する。 時間窓を利用して動的グラフを構築し、時間と空間効率を最適化する。 我々は,実世界のバンキングデータセット上でのモデル検証を行い,三重項モデルが偽陽性の数を80%削減し,正の90%以上を検出できることを示す。 このようにして,本モデルはマネーロンダリング対策を大幅に改善することができる。

関連論文リスト

• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• Finding Money Launderers Using Heterogeneous Graph Neural Networks [0.0]
  本稿では,大規模なヘテロジニアスネットワーク内のマネーロンダリング活動を特定するために,グラフニューラルネットワーク(GNN)アプローチを提案する。 我々は、MPNN(Message Passing Neural Network)と呼ばれる同種GNN法を拡張し、異種グラフ上で効果的に動作させる。 本研究は,異種グラフにおける情報の組み合わせにおいて,適切なGNNアーキテクチャを用いることの重要性を強調した。
  論文  参考訳（メタデータ） (2023-07-25T13:49:15Z)
• Realistic Synthetic Financial Transactions for Anti-Money Laundering Models [2.3802629107286046]
  マネーロンダリング(英: Money laundering)とは、不正な資金が彼らの起源を隠蔽する動きである。 国連の推計では、世界のGDPの2-5%、すなわち0.8ドルから2.0兆ドルは毎年世界規模で洗浄されている。 本稿では、合成金融トランザクションデータセット生成器と合成生成されたAMLデータセットのセットに貢献する。
  論文  参考訳（メタデータ） (2023-06-22T10:32:51Z)
• Catch Me If You Can: Semi-supervised Graph Learning for Spotting Money Laundering [0.4159343412286401]
  マネーロンダリング(英: Money laundering)とは、犯罪者が違法な資金を追跡不可能な場所に移すために金融サービスを利用するプロセスである。 反マネーロンダリング(AML)を施行するためには、これらの活動を正確かつ確実に特定することが極めて重要である。 本稿では,金融取引のグラフに対する半教師付きグラフ学習手法を用いて,マネーロンダリングに関連するノードを特定する。
  論文  参考訳（メタデータ） (2023-02-23T09:34:19Z)
• LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering [5.478764356647437]
  LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。 マネーロンダリング防止プロセスを支援するための洞察を提供する。 我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
  論文  参考訳（メタデータ） (2022-10-25T21:58:02Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• A Time-Frequency based Suspicious Activity Detection for Anti-Money Laundering [0.0]
  マネーロンダリングは、犯罪者が犯罪の収益を金融システムに注入するために使う重要なメカニズムである。 これらの機関の現在のシステムのほとんどはルールベースであり、非効率である。 本稿では、金融取引の2次元表現を利用した時間周波数分析に基づく新しい特徴セットを提案する。
  論文  参考訳（メタデータ） (2020-11-17T08:01:50Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Adversarial Attacks on Machine Learning Systems for High-Frequency Trading [55.30403936506338]
  逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。 攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。 本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
  論文  参考訳（メタデータ） (2020-02-21T22:04:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。