増分的かつ分散型のグラフモデリングによる複雑なマネーロンダリング・パターンの検出

arXiv cs.LG / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、既存の監視システムの限界を克服しつつ、複雑なマネーロンダリング・パターンを検出する教師なしフレームワークとして、ReDiRect（REduce, DIstribute, and RECTify）を提案する。
大規模な取引グラフをファジィに分割して小さな構成要素にすることで、取引グラフの複雑性を低減し、分散環境で効率的に処理できるようにする。
著者らは、現在の指標では捉えきれていない部分も含めて、マネーロンダリング・パターンがどれだけ効果的に露出（検出）されるかをよりよく反映するための改良された評価指標を導入する。
オープンソースのLibraデータセットおよびIBM Watsonが公開した合成データセットでの実験により、既存手法や最先端手法に比べて性能が向上していることが示される。特に効率性と実世界での適用可能性において顕著である。
実装とデータセットはGitHubで公開されており、再現性とさらなるフレームワークの検証が可能になる。

Abstract

資金洗浄者は、既存の検知アプローチの限界を悪用し、欺瞞的な方法で金融上の足跡を隠すことで成功します。彼らは、監視システムが容易に識別できない取引パターンを複製することでこの状況を実現します。その結果、犯罪によって得られた資産が、注目を集めることなく正当な金融チャネルへと押し込まれます。資金の流れを監視するために開発されたアルゴリズムは、多くの場合、規模と複雑さに直面して困難を抱えます。この種の活動の特定が難しいことは、（持続的な）現在の解決策が、厳格なリスクベースのルールシステムによって生成される過剰な数の偽陽性シグナルを制御できないことによって、さらに強められています。私たちは、これらの課題を克服するために特化した ReDiRect（REduce, DIstribute, and RECTify）と呼ばれる枠組みを提案します。私たちの研究の主な貢献は、この問題を教師なしの設定で新たに捉え直す点にあります。すなわち、大規模な取引グラフを曖昧に（fuzzily）分割して、配布（分散）環境で高速に処理できる小さく管理可能なコンポーネントにします。さらに、露出した資金洗浄パターンの有効性をより適切に捉える洗練された評価指標も定義します。包括的な実験を通じて、私たちの枠組みが、既存および最先端の手法と比べて、特に効率と現実世界での適用可能性の面で優れた性能を達成することを示します。検証のために、実データ（オープンソース）の Libra データセットと、最近リリースされた IBM Watson による合成データセットを使用しました。コードとデータセットは https://github.com/mhaseebtariq/redirect で公開しています。