論文の概要: Identifying Money Laundering Subgraphs on the Blockchain

• arxiv url: http://arxiv.org/abs/2410.08394v1
• Date: Thu, 10 Oct 2024 22:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 03:36:35.273713
• Title: Identifying Money Laundering Subgraphs on the Blockchain
• Title（参考訳）: ブロックチェーン上のマネーロンダリング文書の特定
• Authors: Kiwhan Song, Mohamed Ali Dhraief, Muhua Xu, Locke Cai, Xuhao Chen, Arvind, Jie Chen,
• Abstract要約: 反マネーロンダリングには、金融活動におけるマネーロンダリング犯罪の特定が含まれる。 最近の研究では、グラフベースの機械学習のレンズを通してAMLが進歩している。 RevTrackはグラフベースのフレームワークで、低コストで高精度な大規模AML分析を可能にする。
• 参考スコア（独自算出の注目度）: 5.377744640870357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anti-Money Laundering (AML) involves the identification of money laundering crimes in financial activities, such as cryptocurrency transactions. Recent studies advanced AML through the lens of graph-based machine learning, modeling the web of financial transactions as a graph and developing graph methods to identify suspicious activities. For instance, a recent effort on opensourcing datasets and benchmarks, Elliptic2, treats a set of Bitcoin addresses, considered to be controlled by the same entity, as a graph node and transactions among entities as graph edges. This modeling reveals the "shape" of a money laundering scheme - a subgraph on the blockchain. Despite the attractive subgraph classification results benchmarked by the paper, competitive methods remain expensive to apply due to the massive size of the graph; moreover, existing methods require candidate subgraphs as inputs which may not be available in practice. In this work, we introduce RevTrack, a graph-based framework that enables large-scale AML analysis with a lower cost and a higher accuracy. The key idea is to track the initial senders and the final receivers of funds; these entities offer a strong indication of the nature (licit vs. suspicious) of their respective subgraph. Based on this framework, we propose RevClassify, which is a neural network model for subgraph classification. Additionally, we address the practical problem where subgraph candidates are not given, by proposing RevFilter. This method identifies new suspicious subgraphs by iteratively filtering licit transactions, using RevClassify. Benchmarking these methods on Elliptic2, a new standard for AML, we show that RevClassify outperforms state-of-the-art subgraph classification techniques in both cost and accuracy. Furthermore, we demonstrate the effectiveness of RevFilter in discovering new suspicious subgraphs, confirming its utility for practical AML.
• Abstract（参考訳）: 反マネーロンダリング(英: anti-Money Laundering、AML)とは、暗号通貨取引などの金融活動におけるマネーロンダリング犯罪の特定である。 最近の研究は、グラフベースの機械学習のレンズを通してAMLを進化させ、金融取引のWebをグラフとしてモデル化し、不審な活動を特定するグラフ手法を開発した。 例えば、最近のオープンソースデータセットとベンチマークに関する取り組みであるElliptic2は、同じエンティティによって管理されると考えられる一連のBitcoinアドレスを、グラフノードとして、グラフエッジとしてエンティティ間のトランザクションを扱う。 このモデリングは、マネーロンダリングスキーム — ブロックチェーンのサブグラフ — の“形”を明らかにするものだ。 論文によってベンチマークされた魅力的なサブグラフ分類結果にもかかわらず、グラフの巨大さのため競合手法の適用にはコストがかかる。 本研究では,グラフベースのフレームワークであるRevTrackを紹介し,低コストで高精度な大規模AML解析を実現する。 鍵となるアイデアは、最初の送信者とファイナルレシーバーを追跡することである。これらのエンティティは、それぞれのサブグラフの性質(ライセンス対不審)を強く示している。 本稿では,サブグラフ分類のためのニューラルネットワークモデルであるRevClassifyを提案する。 さらに,RevFilterを提案することによって,サブグラフ候補が与えられない現実的な問題に対処する。 この方法は、RevClassifyを使って、リサイトトランザクションを反復的にフィルタリングすることで、新しい不審なサブグラフを識別する。 これらの手法をAMLの新しい標準であるElliptic2上でベンチマークした結果、RevClassifyは最先端のサブグラフ分類技術よりもコストと精度で優れていることがわかった。 さらに,新たな疑わしい部分グラフの発見におけるRevFilterの有効性を実証し,実用的AMLの有用性を確認した。

関連論文リスト

• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• 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)
• The Shape of Money Laundering: Subgraph Representation Learning on the Blockchain with the Elliptic2 Dataset [6.209290101460395]
  サブグラフ表現学習(Subgraph representation learning)は、複雑なネットワーク内の局所構造(または形状)を分析する技術である。 Bitcoinクラスタの122Kラベルのサブグラフを含むグラフデータセットであるElliptic2を紹介する。 このアプローチの即時的な実用価値と、暗号通貨における反マネーロンダリングと法医学的分析における新しい標準の可能性を見出す。
  論文  参考訳（メタデータ） (2024-04-29T21:19:41Z)
• Graph Feature Preprocessor: Real-time Subgraph-based Feature Extraction for Financial Crime Detection [2.1140460101878107]
  グラフ特徴前処理(Graph Feature Preprocessor)は、金融取引グラフの典型的なマネーロンダリングパターンをリアルタイムで検出するソフトウェアライブラリである。 よりリッチなトランザクション機能により、勾配ブースティングに基づく機械学習モデルの予測精度が劇的に向上することを示す。 我々のソリューションは、アンチマネーロンダリングやフィッシングデータセットにおける標準グラフニューラルネットワークよりも、マイノリティクラスのF1スコアの高い不正トランザクションを検出することができる。
  論文  参考訳（メタデータ） (2024-02-13T16:53:48Z)
• 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)
• Blockchain Phishing Scam Detection via Multi-channel Graph Classification [1.6980621769406918]
  フィッシング詐欺検出方法は、被害者を保護し、より健全なブロックチェーンエコシステムを構築する。 ユーザのためのトランザクションパターングラフを定義し,フィッシング詐欺検出をグラフ分類タスクに変換する。 提案したマルチチャネルグラフ分類モデル(MCGC)は,対象ユーザのトランザクションパターンの特徴を抽出することにより,潜在的なフィッシングを検出することができる。
  論文  参考訳（メタデータ） (2021-08-19T02:59:55Z)
• Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies [65.92826041406802]
  本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。 複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。 本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-10-26T14:52:42Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。