論文の概要: Topology-Agnostic Detection of Temporal Money Laundering Flows in
Billion-Scale Transactions
- arxiv url: http://arxiv.org/abs/2309.13662v1
- Date: Sun, 24 Sep 2023 15:11:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 18:24:18.773782
- Title: Topology-Agnostic Detection of Temporal Money Laundering Flows in
Billion-Scale Transactions
- Title(参考訳): 数十億規模の取引における時空マネーロンダリングフローのトポロジー非依存検出
- Authors: Haseeb Tariq, Marwan Hassani
- Abstract要約: 本稿では,シーケンシャルトランザクションの時間グラフを効率的に構築するフレームワークを提案する。
我々は,不審な取引フローを検出するための2つの最先端ソリューションに対するフレームワークのスケーラビリティと有効性を評価する。
- 参考スコア(独自算出の注目度): 0.03626013617212666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Money launderers exploit the weaknesses in detection systems by purposefully
placing their ill-gotten money into multiple accounts, at different banks. That
money is then layered and moved around among mule accounts to obscure the
origin and the flow of transactions. Consequently, the money is integrated into
the financial system without raising suspicion. Path finding algorithms that
aim at tracking suspicious flows of money usually struggle with scale and
complexity. Existing community detection techniques also fail to properly
capture the time-dependent relationships. This is particularly evident when
performing analytics over massive transaction graphs. We propose a framework
(called FaSTMAN), adapted for domain-specific constraints, to efficiently
construct a temporal graph of sequential transactions. The framework includes a
weighting method, using 2nd order graph representation, to quantify the
significance of the edges. This method enables us to distribute complex queries
on smaller and densely connected networks of flows. Finally, based on those
queries, we can effectively identify networks of suspicious flows. We
extensively evaluate the scalability and the effectiveness of our framework
against two state-of-the-art solutions for detecting suspicious flows of
transactions. For a dataset of over 1 Billion transactions from multiple large
European banks, the results show a clear superiority of our framework both in
efficiency and usefulness.
- Abstract(参考訳): マネーロンダラーは、不正な資金を複数の口座に意図的に配置することで、検知システムの弱点を悪用する。
そのお金は、muleのアカウント間で階層化され、移動され、取引の起源とフローを曖昧にします。
これにより、疑念を生じさせることなく、金融システムに統合される。
金銭の不審な流れを追跡するための経路探索アルゴリズムは、通常、規模と複雑さに悩まされる。
既存のコミュニティ検出技術は、時間に依存した関係を適切に捉えることができない。
これは、大規模なトランザクショングラフで分析を行う場合に特に顕著です。
我々は,逐次トランザクションの時間グラフを効率的に構築するために,ドメイン固有の制約に適応したフレームワーク(fastman)を提案する。
このフレームワークは、エッジの意義を定量化するために、第2次グラフ表現を用いた重み付け方法を含む。
この手法により,より小さく密に接続されたフローネットワーク上で複雑なクエリを分散することができる。
最後に、これらのクエリに基づいて、疑わしいフローのネットワークを効果的に識別する。
我々は,不審なトランザクションフローを検出するための2つの最先端ソリューションに対するスケーラビリティとフレームワークの有効性を広範囲に評価した。
欧州の複数の大手銀行からの10億トランザクションのデータセットでは、効率と有用性の両方において、我々のフレームワークが明らかに優れていることが示されています。
関連論文リスト
- Influence Maximization via Graph Neural Bandits [54.45552721334886]
IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。
IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
論文 参考訳(メタデータ) (2024-06-18T17:54:33Z) - Pure Exploration in Asynchronous Federated Bandits [57.02106627533004]
マルチアームバンディットとリニアバンディットのフェデレートされた純粋な探索問題について検討し、M$エージェントが中央サーバとの通信を通じて最適なアームを協調的に識別する方法について検討した。
信頼度を固定した純粋探索のための非同期マルチアームバンディットおよび線形バンディットアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-17T06:04:00Z) - 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) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - 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) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳(メタデータ) (2021-10-04T03:42:09Z) - 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) - Alleviating the Inconsistency Problem of Applying Graph Neural Network
to Fraud Detection [78.88163190021798]
不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。
4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。
我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
論文 参考訳(メタデータ) (2020-05-01T21:43:58Z) - Characterizing and Detecting Money Laundering Activities on the Bitcoin
Network [8.212945859699406]
我々はBitcoinネットワーク全体で発生した資金洗浄活動の展望を探る。
3年以上にわたって収集されたデータを用いて、トランザクショングラフを作成し、さまざまなグラフ特性を分析して、マネーロンダリングトランザクションと通常のトランザクションを区別します。
資金洗浄とレギュラー取引を分類するために,4種類のグラフ特徴に基づく分類器のセットを提案し,評価する。
論文 参考訳(メタデータ) (2019-12-27T11:34:41Z)
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。