論文の概要: LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2603.23584v1
• Date: Tue, 24 Mar 2026 16:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.960637
• Title: LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks
• Title（参考訳）: LineMVGNN:Line-Graph-Assisted Multi-View Graph Neural Networkによる反モニー洗浄
• Authors: Chung-Hoo Poon, James Kwok, Calvin Chow, Jang-Hyeon Choi,
• Abstract要約: LineMVGNNは、支払いとレシートトランザクションを考慮に入れた新しい空間的手法である。 LineMVGNNは、元のトランザクショングラフの行グラフビューを組み込んで、トランザクション情報の伝播を強化する。
• 参考スコア（独自算出の注目度）: 3.410873689152854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anti-money laundering (AML) systems are important for protecting the global economy. However, conventional rule-based methods rely on domain knowledge, leading to suboptimal accuracy and a lack of scalability. Graph neural networks (GNNs) for digraphs (directed graphs) can be applied to transaction graphs and capture suspicious transactions or accounts. However, most spectral GNNs do not naturally support multi-dimensional edge features, lack interpretability due to edge modifications, and have limited scalability owing to their spectral nature. Conversely, most spatial methods may not capture the money flow well. Therefore, in this work, we propose LineMVGNN (Line-Graph-Assisted Multi-View Graph Neural Network), a novel spatial method that considers payment and receipt transactions. Specifically, the LineMVGNN model extends a lightweight MVGNN module, which performs two-way message passing between nodes in a transaction graph. Additionally, LineMVGNN incorporates a line graph view of the original transaction graph to enhance the propagation of transaction information. We conduct experiments on two real-world account-based transaction datasets: the Ethereum phishing transaction network dataset and a financial payment transaction dataset from one of our industry partners. The results show that our proposed method outperforms state-of-the-art methods, reflecting the effectiveness of money laundering detection with line-graph-assisted multi-view graph learning. We also discuss scalability, adversarial robustness, and regulatory considerations of our proposed method.
• Abstract（参考訳）: 反マネーロンダリング(AML)システムは、世界経済を保護する上で重要である。 しかし、従来のルールベースの手法はドメイン知識に依存しており、最適以下の精度とスケーラビリティの欠如につながる。 ディグラフ(直接グラフ)のためのグラフニューラルネットワーク(GNN)は、トランザクショングラフに適用でき、不審なトランザクションやアカウントをキャプチャすることができる。 しかし、ほとんどのスペクトルGNNは、自然に多次元エッジ機能をサポートしておらず、エッジ修正による解釈性が欠如しており、スペクトルの性質からスケーラビリティが制限されている。 逆に、ほとんどの空間的手法は、金銭の流れをうまく捉えていない。 そこで本研究ではLine-Graph-Assisted Multi-View Graph Neural Network(Line-Graph-Assisted Multi-View Graph Neural Network)を提案する。 特に、LineMVGNNモデルは、トランザクショングラフ内のノード間の双方向メッセージパッシングを実行する軽量MVGNNモジュールを拡張している。 さらに、LineMVGNNは、元のトランザクショングラフの行グラフビューを組み込んで、トランザクション情報の伝播を強化する。 当社では、Ethereumフィッシングトランザクションネットワークデータセットと、業界パートナの1つによる金融支払いトランザクションデータセットという、現実のアカウントベースのトランザクションデータセットを2つ実験しています。 提案手法は,ライングラフ支援多視点グラフ学習によるマネーロンダリング検出の有効性を反映して,最先端の手法よりも優れていることを示す。 また, 提案手法のスケーラビリティ, 対角的堅牢性, 規制的考察についても論じる。

関連論文リスト

• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• 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)
• 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 Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• 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)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)

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。