準時系列グラフ表現からマネーロンダリング取引を抽出する

要旨: 資金洗浄は世界中の金融機関にとって持続的な課題である一方で、犯罪組織は検知システムを回避するために戦術を絶えず進化させています。従来の資金洗浄防止（AML）アプローチは主に、あらかじめ定義されたリスクベースのルールに依存しており、その結果、リソースを大量に要する調査が発生し、誤検知（false positive）アラートの数も多くなりがちです。毎日数十億件の取引が処理されるなかで業務コストが爆発的に増大することを抑えるため、金融機関は既存システムを改善するために、より洗練された仕組みに投資しています。本論文では、金融データセットにおける資金洗浄（または疑わしい）取引を検出するための高度な教師あり学習アプローチであるExSTraQt（EXtract Suspicious TRAnsactions from Quasi-Temporalグラフ表現）を提案します。提案する枠組みは、最先端のAML（Anti Money Laundering：資金洗浄防止）検知モデルと比較して、性能において優れています。枠組みの主な強みは、設計とパラメータ数の点での「非常にシンプルさ」、および計算とメモリ要件の点での「スケーラビリティ」です。私たちは、実データセットに対する取引レベルでの検出精度、ならびに一連の合成の金融取引データセットを用いて、枠組みを評価しました。ほとんどのデータセットでF1スコアの向上を一貫して達成しており、実データセットでは最大で1%向上し、合成データセットの1つでは8%以上の向上を達成しています。また、本枠組みが銀行における既存のAML検知システムをシームレスに補完し得るとも主張します。コードおよびデータセットは https://github.com/mhaseebtariq/exstraqt で利用可能です。