LaundroGraph: использование глубокого обучения для поддержки усилий по борьбе с отмыванием денег
LaundroGraph- Using deep learning to support anti-money laundering efforts
UMAP-визуализация вложений транзакций, созданных LaundroGraph𝐺𝐴𝑇 для 5 случайно выбранных клиентов. На левом графике исходящие транзакции представлены маркером в виде круга, а входящие транзакции представлены маркером X. Цвета представляют разных клиентов. На правом графике транзакции окрашены в соответствии с их оценкой аномалии, причем более темные цвета обозначают более высокую оценку аномалии. Кредит: Кардосо, Салейро и Бизарро.

В последние годы методы глубокого обучения оказались очень ценными для решения бесчисленных исследований и реальных проблем. Исследователи Feedzai, португальской компании по обработке финансовых данных, продемонстрировали потенциал глубокого обучения для предотвращения и обнаружения незаконных действий по отмыванию денег.

В документе, представленном на 3-й Международной конференции ACM по искусственному интеллекту в финансах , команда Feedzai представила LaundroGraph, модель с самоконтролем, которая может упростить громоздкий процесс проверки больших объемов финансовых взаимодействий в поисках подозрительных транзакций или денежных обменов. Их модель основана на графовой нейронной сети, искусственной нейронной сети (ИНС), предназначенной для автономной обработки больших объемов данных, которые можно представить в виде графа.

«Желая усилить наше решение по борьбе с отмыванием денег и выявив основные проблемы с текущим процессом проверки AML, мы подумали о решениях для преодоления этих проблем с помощью ИИ», — сказал TechXplore Марио Кардосо, научный сотрудник Feedzai.

«БОД особенно сложен из-за нехватки меток и того факта, что контекст, связанный с финансовыми движениями, в частности, организации, с которыми взаимодействуют, и свойства каждой транзакции, имеют решающее значение для принятия обоснованных решений. Помня об этих проблемах, мы стремились создать машину. подход к обучению, который может помочь аналитикам-людям и облегчить проверку AML».

Проверка финансовых взаимодействий на предмет подозрительной активности может быть очень утомительной и трудоемкой задачей для аналитиков-людей. Кардосо и его коллеги решили значительно упростить эту задачу, используя методы глубокого обучения, которые, как известно, особенно хороши при анализе больших объемов данных.

Созданная ими модель LaundroGraph может кодировать банковских клиентов и финансовые транзакции, преобразовывая их в осмысленные графические представления. Эти представления могут направлять работу аналитиков по борьбе с отмыванием денег, выделяя аномальные движения денег для конкретных клиентов без необходимости просматривать всю историю транзакций.

«LaundroGraph генерирует плотные контекстно-зависимые представления поведения, не связанные с какими-либо конкретными ярлыками», — пояснил Кардосо. «Это достигается за счет использования как структурной, так и функциональной информации графика с помощью задачи прогнозирования связи между клиентами и транзакциями. Мы определяем наш график как двудольный график клиент-транзакция, который мы создаем, используя необработанные данные о финансовых движениях».

Исследователи из Feedzai оценили свою модель в серии тестов, оценивая ее способность прогнозировать подозрительные переводы в наборе данных реальных транзакций. Они обнаружили, что его прогностическая способность была значительно выше, чем у других базовых методов, разработанных для поддержки усилий по борьбе с отмыванием денег.

«Учитывая, что LaundroGraph не требует меток, он подходит для широкого круга реальных финансовых приложений, которые могут извлечь выгоду из данных, структурированных в виде графов», — сказал Кардосо. «В нашей статье предлагается использовать эти вложения для предоставления информации, которая может ускорить процесс проверки обнаружения AML, но этот подход может быть распространен на другие варианты использования (например, мошенничество), и вложения могут служить широкому кругу целей помимо понимания. мы анализируем (например, обогащающие функции)».

В будущем LaundroGraph может помочь финансовым аналитикам и агентам по борьбе с отмыванием денег по всему миру в проверке больших объемов финансовых транзакций, помогая им быстрее и эффективнее выявлять аномальные действия. Кардосо и его коллеги теперь планируют дальнейшее развитие своей модели, а также изучение ее потенциала для решения других финансовых проблем.

«Будущие направления наших исследований будут включать эксперименты с дополнительными вариантами использования, такими как мошенничество, и исследование других идей / задач, которые можно включить или улучшить с помощью вложений, например, используя вложения в качестве информативной отправной точки для метки. - скудные прогнозы по течению", - добавил Кардосо.

Образец цитирования : LaundroGraph: Использование глубокого обучения для поддержки усилий по борьбе с отмыванием денег (24 ноября 2022 г.), получено 28 ноября 2022 г. с https://techxplore.com/news/2022-11-laundrograph-deep-anti-money-laundering-efforts. .html
Этот документ защищен авторским правом. За исключением любой честной сделки с целью частного изучения или исследования, никакая часть не может быть воспроизведена без письменного разрешения. Контент предоставляется только в ознакомительных целях.
БизнесМашинное обучение и искусственный интеллект
Дата публикации: 2022.11.28