Anti-Money Laundering Alert Optimization Using Machine Learning with Graphs
Feedzai；University of Porto（波尔图大学）
洗钱是一个全球性的问题，涉及使毒品交易、人口贩运或腐败等严重重罪（每年1.7-4万亿欧元）的收益合法化。金融机构部署的反洗钱系统通常包括与监管框架相一致的规则。人类调查人员审查警报并报告可疑情况。这类系统的误报率很高，影响了系统的有效性，并导致高昂的运营成本。我们提出了一个机器学习分类模型，它补充了基于规则的系统，并学会准确预测警报的风险。我们的模型同时使用以实体为中心的工程特征和以基于图形的特征的形式表征实体间关系的属性。我们利用时间窗口来构建动态图，优化时间和空间效率。我们在真实世界的银行数据集上验证了我们的模型，并展示了分类模型如何将误报数量减少80%，同时检测到超过90%的真阳性。通过这种方式，我们的模型可以显著改善反洗钱业务。
2022-06-17 cs.LG
Clue-Guided Money Laundering Group Discovery
提出线索引导的团伙发现（CGGD）范式及Clue2Group框架，通过分析师交互从初始线索逐步恢复洗钱团伙，在大型AML基准上验证了有效性。
2026-06-26 cs.CE cs.LG
AMLgentex: Mobilizing Data-Driven Research to Combat Money Laundering
AI Sweden（瑞典人工智能中心）；Handelsbanken（瑞典商业银行）；Swedbank（瑞典银行）
AMLGentex是一个开源套件，生成逼真可配置的交易数据并基准测试检测方法，以解决现有合成数据集在部分可观测性、时间动态等关键方面的不足，推动反洗钱研究。
2025-09-25 cs.AI cs.DB cs.LG
Fighting Money Laundering with Statistics and Machine Learning
Aarhus University（奥胡斯大学）；Spar Nord Bank（斯巴诺德银行）
洗钱是一个深刻的全球性问题。然而，关于反洗钱的统计和机器学习方法的科学文献很少。本文以银行反洗钱为研究对象，对相关文献进行了介绍和综述。我们提出了一个统一的术语，有两个核心要素：（i）客户风险分析和（ii）可疑行为标记。我们发现，客户风险分析的特点是诊断，即，努力寻找和解释风险因素。另一方面，可疑行为标记的特点是不公开的特征和手工制作的风险指数。最后，我们讨论了未来的研究方向。一个主要挑战是需要更多的公共数据集。这可能通过合成数据生成来解决。其他可能的研究方向包括半监督和深度学习，可解释性和结果的公平性。
2023-03-21 cs.LG stat.ML
Realistic Synthetic Financial Transactions for Anti-Money Laundering Models
IBM Watson Research（IBM沃森研究中心）；IBM Research Europe（IBM欧洲研究院）；ETH Zurich（苏黎世联邦理工学院）
针对反洗钱真实训练数据稀缺且现有合成生成器不足的问题，本文提出并校准了一个基于智能体的逼真金融交易生成器，公开AML数据集，并以完整真实标签支持模型公平比较。
2024-01-25 cs.AI cs.LG q-fin.CP
SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention
研究反洗钱图中GNN处理密集邻域问题，提出SALT-GNN轻量级架构，在消息传递层融合度感知统计聚合与注意力。实验表明其在减少参数同时提升密集上下文F1分数，增益与注意力风格无关。
2026-07-14 cs.AI cs.LG
Representation learning with a transformer by contrastive learning for money laundering detection
Shine（Shine公司）
本文提出了一种基于Transformer和对比学习的两阶段洗钱检测方法，通过无标签学习表征生成评分，并结合BH程序控制假阳性率，在最少专家监督下显著提升了欺诈识别能力。
2025-07-07 cs.AI cs.LG math.ST
Extracting Money Laundering Transactions from Quasi-Temporal Graph Representation
ING Bank（ING银行）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出ExSTraQt框架，通过监督学习检测金融数据中的洗钱交易，提升检测精度并降低资源消耗。
2026-04-03 cs.LG
Characterizing and Detecting Money Laundering Activities on the Bitcoin Network
Data61-CSIRO（Data61-联邦科学与工业研究组织）；University of New South Wales（新南威尔士大学）；University of Sydney（悉尼大学）；National Institute of Informatics（国立信息学研究所）
比特币是迄今为止最受欢迎的加密货币解决方案，可以实现点对点支付。尽管一些研究强调该网络并不提供完全的匿名性，但它仍然被大量用于各种可疑的金融活动，如洗钱，庞氏骗局和勒索软件支付。在本文中，我们探讨了比特币网络中发生的潜在洗钱活动的情况。使用三年来收集的数据，我们创建交易图表，并对各种图表特征进行深入分析，以区分洗钱交易和常规交易。我们发现，洗钱和常规交易之间的主要区别在于它们的输出值和邻居信息。然后，我们提出并评估了一组基于四种类型的图特征的分类器：近邻，策划特征，deepwalk嵌入和node2vec嵌入，以分类洗钱和常规交易。结果表明，基于node2vec的分类器在二进制分类中优于其他分类器，平均准确率为92.29%，F1度量为0.93，在2.5年的时间跨度内具有高鲁棒性。最后，我们展示了我们的分类是如何有效地发现未知的洗钱服务。分类器的性能下降相比，二进制分类，但是，预测可以改善一些服务与简单的集成技术。
2019-12-27 cs.CR cs.LG cs.SI
LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering
Feedzai（Feedzai公司）
反洗钱（AML）法规要求金融机构根据一套规则部署AML系统，当触发时，这些规则构成了由人类分析师评估的可疑警报的基础。审查这些案件是一项繁琐而复杂的任务，需要分析师在庞大的金融互动网络中导航，以验证可疑的流动。此外，这些系统具有非常高的假阳性率（估计超过95%）。标签的稀缺性阻碍了基于监督学习的替代系统的使用，降低了它们在现实世界应用中的适用性。在这项工作中，我们提出了LaundroGraph，一种新的自监督图表示学习方法，将银行客户和金融交易编码成有意义的表示。这些表示用于提供见解，以协助AML审查流程，例如识别特定客户的异常移动。LaundroGraph将金融交互的底层网络表示为客户交易二分图，并在完全自监督的链接预测任务上训练图神经网络。我们的经验表明，我们的方法优于其他强基线的自我监督链接预测使用真实世界的数据集，提高最佳的非图形基线的AUC的$12$ p.p.。我们的目标是通过在审查时向分析师提供这些人工智能支持的见解来提高审查流程的效率。据我们所知，这是AML检测背景下的第一个完全自我监督的系统。
2022-10-25 cs.AI cs.LG
Scalable Graph Learning for Anti-Money Laundering: A First Look
MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
有组织犯罪以种族灭绝的规模给人类造成痛苦：自2006年以来，墨西哥贩毒集团杀害了15万人，每年有70多万人在人口贩运行业中“出口”，估计奴役了4 000万人。这些邪恶的行业依靠复杂的洗钱计划来运作。尽管有大量资源专门用于反洗钱（AML），但只有一小部分非法活动得到预防。研究界可以提供帮助。在这篇简短的论文中，我们描绘了推动技术挑战的结构和行为动态。我们审查AML方法，当前和紧急。我们首先介绍了用于金融数据取证分析的可扩展图卷积神经网络，这些数据是海量、密集和动态的。我们报告了初步的实验结果，使用一个大的合成图（1M节点，9M边）生成的数据模拟器，我们创建了一个名为AMLSim。我们考虑的高性能效率的机会，在计算和内存方面，我们从一个简单的图形压缩实验的结果分享。我们的研究结果支持了我们的工作假设，即AML的图形深度学习在打击犯罪金融活动方面具有很大的前景。
2018-11-30 cs.AI cs.LG cs.SI
Hybrid Data can Enhance the Utility of Synthetic Data for Training Anti-Money Laundering Models
College of William and Mary（威廉姆斯大学学院）；The University of Alabama（阿拉巴马大学）
本文针对反洗钱模型训练数据因隐私受限的问题，提出用混合数据集融合合成数据与公开真实特征，在保护隐私的同时提升模型效用。
2025-09-23 cs.LG
Machine learning methods to detect money laundering in the Bitcoin blockchain in the presence of label scarcity
NOVA IMS（新星信息管理学院）；Feedzai
每年，犯罪分子都会清洗从严重重罪中获得的数十亿美元（例如，恐怖主义、毒品走私或人口贩运）危害无数人和经济。特别是加密货币已经发展成为洗钱活动的避风港。机器学习可用于检测这些非法模式。然而，标签是如此稀缺，传统的监督算法是不适用的。在这里，我们解决洗钱检测假设最低限度地访问标签。首先，我们证明了现有的使用无监督异常检测方法的最先进的解决方案不足以检测真实比特币交易数据集中的非法模式。然后，我们表明，我们提出的主动学习解决方案是能够匹配的性能完全监督的基线仅使用5\%的标签。该解决方案模拟了一个典型的现实生活中的情况，其中有限数量的标签可以通过专家手动注释获得。
2021-10-05 cs.LG stat.ML
Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review
KU Leuven University of Antwerp - imec（库勒芬大学安特卫普大学 - imec）；University of Antwerp - imec, IDLab（安特卫普大学 - imec, IDLab）；KU Leuven（库勒芬大学）；University of Southampton（南安普顿大学）；University of Antwerp - imec KU Leuven（安特卫普大学 - imec 库勒芬大学）
本文综述了持续图学习在反洗钱中的应用，系统评估了基于回放、正则化和架构的GNN策略，并通过实验证明其能提升模型在类别不平衡和欺诈模式演变下的适应性与鲁棒性，同时指出未来研究方向。
2025-03-31 cs.LG
The Shape of Deceit: Behavioral Consistency and Fragility in Money Laundering Patterns
本文挑战传统以实体为中心的反洗钱方法，提出网络理论视角，通过子图结构捕捉洗钱行为一致性，并探索模式脆弱性与语义鲁棒性，主张洗钱检测应基于行为本质的保持而非统计异常值。
2025-07-13 cs.LG cs.SI stat.AP
Beyond Static Datasets: A Behavior-Driven Entity-Specific Simulation to Overcome Data Scarcity and Train Effective Crypto Anti-Money Laundering Models
TCS Innovation labs（TCS创新实验室）
针对加密货币反洗钱中数据稀缺、静态且类别不平衡的问题，本文提出行为驱动的实体特定类洗钱交易模拟器，生成定制合成数据训练模型，并验证其在识别真实洗钱地址上的有效性。
2025-01-01 cs.CR cs.LG
Federated Layer-Wise Exchange for Cross-Client Money Laundering Pattern Detection
Delft University of Technology, Department of Software Technology（代尔夫特理工大学软件技术系）
本文提出一种分层嵌入交换框架，通过客户端在前向传递中同步中间节点表示，弥补分布式图中子图模式识别的表示等价缺口，实验表明嵌入交换与联邦参数聚合互补而非可互换。
2026-10-14 cs.LG
Finding Money Launderers Using Heterogeneous Graph Neural Networks
DNB；Norwegian Computing Center（挪威计算中心）
本文提出一种基于异构图的图神经网络方法，扩展消息传递神经网络以聚合不同边信息，用于在DNB银行真实数据中识别洗钱活动，并展示了其提升反洗钱监控系统性能的潜力。
2023-07-25 cs.LG stat.ML
DELATOR: Money Laundering Detection via Multi-Task Learning on Large Transaction Graphs
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；InterMind (Inter Bank)（InterMind（巴西银行））；Worcester Polytechnic Institute（伍斯特理工学院）
洗钱已成为现代社会中最相关的犯罪活动之一，因为它给政府、银行和其他机构造成了巨大的财务损失。检测此类活动是财务分析的首要任务之一，但目前的方法往往成本高昂，劳动密集型，部分原因是要分析的数据量太大。因此，越来越需要自动反洗钱系统来协助专家。在这项工作中，我们提出了DELATOR，一种新的框架，用于检测洗钱活动的基础上，从大规模的时间图学习的图神经网络。DELATOR提供了一种有效的方法，用于从严重不平衡的图数据中学习，通过调整GraphSMOTE框架中的概念并结合多任务学习的元素来获得用于节点分类的丰富节点嵌入。DELATOR的性能优于所有考虑的基线，包括亚马逊AWS的现成解决方案，相对于AUC-ROC提高了23%。我们还进行了真实的实验，在50个分析案例中发现了7个新的可疑案例，并已向当局报告。
2022-10-25 cs.LG cs.SI
LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks
Supply Chain MultiTech R\&D Centre, Level 11, Cyberport 2, 100 Cyberport Road, Hong Kong 2 Department of Computer Science；Engineering, The Hong Kong University of Science
本文提出LineMVGNN，通过结合线图视角和多视角图神经网络，提升交易图中可疑交易检测的准确性与可扩展性。
2026-03-24 cs.AI cs.LG q-fin.CP
Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；School of Cybersecurity, Northwestern Polytechnical University（西北工业大学网络空间安全学院）
本文综述深度学习在移动交易反洗钱中的应用与挑战，并提出融合机器学习、AML危险信号和账户画像的最小权限框架，以在有限数据下实现欺诈检测。
2025-03-13 cs.AI cs.CR cs.LG
Inspection-L: Self-Supervised GNN Node Embeddings for Money Laundering Detection in Bitcoin
The University of Queensland（昆士兰大学）
犯罪分子在使用比特币等加密货币进行洗钱方面越来越有经验。使用加密货币可以隐藏犯罪身份，并通过犯罪数字钱包转移数亿美元的肮脏资金。然而，这被认为是一个悖论，因为加密货币是开源情报的金矿，使执法机构在进行法医分析时拥有更大的权力。本文提出了Inspection-L，一个基于自监督深度图Infomax（DGI）和图同构网络（GIN）的图神经网络（GNN）框架，具有监督学习算法，即随机森林（RF），用于检测反洗钱（AML）的非法交易。据我们所知，我们的提案是第一个将自监督GNN应用于比特币中的AML问题的提案。在Elliptic数据集上对所提出的方法进行了评估，结果表明，我们的方法在关键分类指标方面优于最先进的方法，这证明了自监督GNN在检测非法加密货币交易方面的潜力。
2022-10-09 cs.CR cs.LG q-fin.ST
GRANDE: a neural model over directed multigraphs with application to anti-money laundering
Ant Group（蚂蚁集团）
近年来，图表示学习技术在金融风险管理领域的应用引起了广泛的关注。然而，使用图神经模型直接建模交易网络仍然具有挑战性：首先，交易网络本质上是有向多重图，这不能用大多数现有的图神经网络（GNN）来正确处理。其次，FRM场景（如反洗钱（AML））中的一个关键问题是识别风险交易，并且最自然地被转换为具有丰富边缘级别特征的边缘分类问题，这些特征没有被遵循以节点为中心的消息传递协议的流行GNN设计充分利用。在本文中，我们提出了一个系统的研究设计方面的神经模型在有向多重图，并开发了一种新的GNN协议，克服了上述挑战，通过有效地结合方向信息，以及提出了一个增强，目标边缘相关的任务，使用一种新的消息传递方案的边缘到节点的对偶图的扩展。一个具体的GNN架构，称为GRANDE派生使用所提出的协议，有几个进一步的改进和推广的时间动态图。我们将GRANDE模型应用于现实世界的反洗钱任务和公共数据集。实验评估表明，拟议的GRANDE架构的优越性，最近的国家的最先进的模型，动态图建模和有向图建模。
2023-02-04 cs.LG
TransXion: A High-Fidelity Graph Benchmark for Realistic Anti-Money Laundering
College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）；Institute of Financial Technology, Fudan University（复旦大学金融技术研究所）；Peking University（北京大学）
TransXion通过整合正常活动的profile-aware模拟与非模板生成的非法子图，解决现有交易图数据集的稀疏性和模板偏差问题，提供更真实的反洗钱检测测试环境。
2026-06-26 cs.AI cs.LG cs.SI
Towards Collaborative Anti-Money Laundering Among Financial Institutions
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）；Alibaba Group（阿里巴巴集团）
针对跨机构洗钱检测中数据孤岛问题，提出首个支持多机构协作且保护数据隐私的反洗钱算法，并在含2亿账户、3亿交易的支付宝与ECB真实数据集上验证了其有效性和高效性。
2025-07-09 cs.CY cs.LG cs.SI
Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering
Nanyang Technological University（南洋理工大学）
本研究提出利用全同态加密的隐私保护图机器学习方法，实现跨机构协作反洗钱，开发了GNN和XGBoost两条流水线，在加密推理下保持高精度，并显著提升不平衡数据的F1分数。
2024-11-11 cs.CR cs.LG
AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions
School of Information and Communication Technology, Griffith University, QLD Australia（信息与通信技术学院，格里菲斯大学，昆士兰州澳大利亚）；School of Information and Physical Sciences, The University of Newcastle, NSW Australia（信息与物理科学学院，新castle大学，新南威尔士州澳大利亚）
针对反洗钱数据集缺乏的问题，提出知识驱动的多智能体框架AMLNet，通过感知监管的生成器构建合成交易数据集，并利用集成检测流水线实现高F1检测，同时发布数据集以推进可复现研究。
2025-09-15 cs.AI cs.CE cs.CR
Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation
KU Leuven University of Antwerp - imec（库勒芬大学安特卫普大学-imec）；KU Leuven University of Southampton（库勒芬大学南安普顿大学）；University of Antwerp - imec（安特卫普大学-imec）；KU Leuven（库勒芬大学）
本文通过系统综述97篇文献并实验比较多种方法，发现网络分析可提升反洗钱预测能力，但应用GNN需谨慎，且合成数据可能过于乐观。
2025-07-22 cs.LG cs.SI
Detecting Complex Money Laundering Patterns with Incremental and Distributed Graph Modeling
ING Bank Amsterdam, The Netherlands Eindhoven University of Technology Eindhoven, The Netherlands；Identity \& Risk Intelligence Adyen Amsterdam, The Netherlands；Mathematics \& Computer Science Eindhoven University of Technology Eindhoven, The Netherlands
本文提出ReDiRect框架，通过无监督方法将大交易图分割为小组件，提升分布式处理效率，并定义新评估指标，验证其在效率和实际应用中的优越性。
2026-04-14 cs.LG
Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework
African Institute for Mathematical Sciences (AIMS)（非洲数学科学研究所（AIMS））；AI Research and Innovation Nexus for Africa (AIRINA Labs)（非洲人工智能研究与创新纽带（AIRINA Labs））；Sefako Makgatho Health Sciences University（塞法科·马加托健康科学大学）
本文针对卢旺达移动支付的极端类别不平衡等约束，开发并评估了符合当地AML/CFT制度的机器学习洗钱检测框架，为非洲移动支付监管机构提供了实用的治理感知监控方案。
2026-08-18 cs.LG q-fin.RM
Deep Learning for Cross-Border Transaction Anomaly Detection in Anti-Money Laundering Systems
Trine University（特莱恩大学）；National University of Singapore（新加坡国立大学）
本研究针对跨境反洗钱需求，提出基于对比学习优化规则的无监督学习检测方案，自研混合CRNIM模型在准确率与AUROC上表现最优，为提升反洗钱系统智能性与实时性提供理论和实践支撑。
2024-11-21 cs.CY cs.LG cs.SI
Amatriciana: Exploiting Temporal GNNs for Robust and Efficient Money Laundering Detection
Politecnico di Milano（米兰理工大学）
提出基于时序图神经网络的 Amatriciana 方法，在完整交易图上建模时间与关系信息，以更少误报实现高效洗钱检测，F1 达 0.76。
2025-05-31 cs.CR cs.LG
The Shape of Money Laundering: Subgraph Representation Learning on the Blockchain with the Elliptic2 Dataset
Elliptic（埃利ptic公司）；MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；MIT Media Lab（麻省理工学院媒体实验室）；IBM Research（IBM研究院）
针对反洗钱（AML）本质上是子图问题但缺乏真实规模数据集的现状，本文提出Elliptic2大型图数据集，包含122K个标注子图，通过子图表示学习技术识别洗钱“形状”，并验证了该方法在加密货币取证分析中的实用价值。
2024-07-29 cs.LG q-fin.GN
Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms
IDSIA；UBS Switzerland AG and its affiliates（UBS瑞士集团及其附属公司）
研究利用反事实方法，通过合成数据集构建账户国家及平均行为等特征，提升多种机器学习模型预测性能，并通过反事实路径特定效应分析评估潜在不公平性，揭示预测准确性与公平性的权衡。
2026-07-07 cs.LG
Combating Financial Crimes with Unsupervised Learning Techniques: Clustering and Dimensionality Reduction for Anti-Money Laundering
Al-Azhar University（爱资哈尔大学）；Obour Height Institute for Informatics（奥布尔高等信息学院）
针对反洗钱高维行为数据影响聚类效果的问题，本文比较凝聚层次聚类与ICA、KPCA、SVD、LPP四种降维方法的组合，发现KPCA在多数情形下表现最佳。
2024-02-14 cs.LG q-fin.ST
Identifying Money Laundering Subgraphs on the Blockchain
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM（国际商业机器公司）；IBM Research（IBM研究院）
本文提出基于图的AML框架RevTrack，包含子图分类模型RevClassify和子图发现方法RevFilter，在Elliptic2基准上以更低成本和更高精度识别区块链洗钱子图。
2024-10-10 cs.LG q-fin.GN
DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
A*STAR IHPC（A*STAR 国家实验室信息物理计算中心）；SRM University-AP（SRM 大学-安得拉邦）；Evyd Singapore（Evyd 新加坡）
本文提出DPxFin框架，通过声誉引导的自适应差分隐私技术，在反洗钱检测中提升隐私保护与模型效用的平衡。
2026-03-14 cs.CR cs.LG
Topology-Agnostic Detection of Temporal Money Laundering Flows in Billion-Scale Transactions
Eindhoven University of Technology（埃因霍温理工大学）；Transactie Monitoring Nederland（荷兰交易监控公司）
本文提出 FaSTMAN 框架，通过时序图构建和二阶图加权方法高效检测十亿级交易中的洗钱流，实验证明其效率和实用性优于现有方案。
2023-09-24 cs.LG cs.SI q-fin.ST
Community-Level Anomaly Detection for Anti-Money Laundering
The Research Institute of the University of Bucharest (ICUB), University of Bucharest（布加勒斯特大学布加勒斯特大学研究院（ICUB））；University of Bucharest（布加勒斯特大学）
网络中的异常检测通常归结为识别异常发生所依赖的底层图结构。金融欺诈方案就是这样一个例子，其中采用了或多或少复杂的方案以逃避交易安全协议。我们研究的问题，学习图结构表示使用适应的字典学习，旨在编码连接模式。特别是，我们适应字典学习策略的网络拓扑结构的特异性，并提出了新的方法，对字典本身施加拉普拉斯结构。在一个适应中，我们专注于通过直接在图拉普拉斯算子上工作来对拓扑进行分类，并将学习问题转换为适应其2D结构。我们通过学习由向量化原子拉普拉斯算子组成的字典来解决同样的问题，并提供了一个块坐标下降方案来解决新的字典学习公式。在单块正交学习方法的适应中，还提出了在字典上施加拉普拉斯结构。合成图数据集，包括不同的图形拓扑结构的结果证实了潜在的字典直接表示图形结构信息。
2019-10-24 cs.CR cs.LG stat.ML
FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering
Dept. of Multidisciplinary Engineering, Texas A&M University（多学科工程系，德克萨斯A&M大学）；Dept. of Information Systems, King Abdulaziz University（信息系统系，国王阿卜杜勒阿齐兹大学）；Dept. of Computer Science & Cybersecurity, Metro State University（计算机科学与网络安全系，梅特罗州立大学）；Dept. of Engineering Technology & Industrial Distribution, Texas A&M University（工程技术与工业分布系，德克萨斯A&M大学）
FedGraph-VASP通过后量子安全的边界嵌入交换实现隐私保护的联邦图学习，有效提升跨机构反洗钱检测性能。
2026-01-25 cs.CR cs.LG cs.SI
GARG-AML against Smurfing: A Scalable and Interpretable Graph-Based Framework for Anti-Money Laundering
KU Leuven（库勒芬大学）；University of Antwerp（安特卫普大学）；imec；University of Southampton（南安普顿大学）
GARG-AML通过构建基于图的方法，利用账户的直接和间接连接关系，以简单且可解释的方式检测洗钱行为，实现高效且可解释的反洗钱检测。
2026-10-19 cs.LG cs.SI stat.AP
KONTOGRAPH: Verified Point-in-Time Feature Consistency and Amortised Explanation for Real-Time Anti-Money Laundering under a 200 ms Decision Budget
Faculty of Media Engineering and Technology（媒体工程与技术学院）；German University in Cairo（开罗德国大学）
该研究针对欧盟2024/886号条例的10秒结算要求，构建了200毫秒决策预算的KONTOGRAPH反洗钱流水线，发现时间图网络性能显著提升、特征编译存在时点违规、ONNX转换会影响决策。
2026-08-25 cs.AI cs.CR cs.LG
Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；IBM Research AI（IBM人工智能研究院）；Elliptic（Elliptic公司）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
反洗钱（AML）法规在保护金融体系方面发挥着关键作用，但对机构来说成本很高，并导致社会经济和国际边缘人群的金融排斥。加密货币的出现引入了一个有趣的悖论：匿名性允许犯罪分子隐藏在众目睽睽之下，但开放数据为调查人员提供了更多的权力，并使法医分析成为众包。同时，学习算法的进步为AML工具包带来了巨大的希望。在本研讨会教程中，我们鼓励有机会将安全的原因与金融包容性的原因协调起来。我们贡献了椭圆数据集，这是一个时间序列图，包含超过20万个比特币交易（节点），23.4万个定向支付流（边）和166个节点特征，包括基于非公开数据的特征;据我们所知，这是任何加密货币中公开可用的最大的标记交易数据集。我们分享了一个二元分类任务的结果，该任务使用逻辑回归（LR）、随机森林（RF）、多层感知器（MLP）和图卷积网络（GCN）的变体来预测非法交易，GCN作为一种捕获关系信息的新方法特别令人感兴趣。结果表明，随机森林（RF）的优越性，但也邀请算法的工作，结合RF和图形方法各自的权力。最后，我们考虑可视化分析和可解释性，这是困难的，考虑到现实世界的交易图的大小和动态性，我们提供了一个简单的原型，能够导航的图形和观察模型性能的非法活动随着时间的推移。通过本教程和数据集，我们希望a）邀请反馈以支持我们正在进行的调查，b）激励其他人致力于这一社会重要挑战。
2019-07-31 cs.CY cs.LG cs.SI
Towards Artificial Intelligence Enabled Financial Crime Detection
Macquarie University（麦考瑞大学）
最近，金融机构一直在处理金融犯罪的增加。在这种情况下，金融服务公司开始提高警惕，并使用新技术和方法来识别和预测金融欺诈和犯罪的可能性。这项任务具有挑战性，因为机构需要升级其数据和分析能力，以使人工智能（AI）等新技术能够预测和发现金融犯罪。在本文中，我们向AI支持的金融犯罪检测迈出了一步，特别是洗钱检测，以应对这一挑战。我们研究和分析了最近在金融犯罪侦查方面所做的工作，并提出了一种新的模型来检测洗钱案件，最小的人工干预需要。
2021-05-23 cs.IR cs.LG q-fin.ST
Graph Network Models To Detect Illicit Transactions In Block Chain
University of Florida（佛罗里达大学）
针对区块链非法交易检测难题，提出带残差架构的图注意力网络GAT-ResNet，在Elliptic数据集上对比多种模型，验证其在准确率等方面的优势，为打击金融犯罪提供图机器学习方案。
2024-09-23 cs.AI cs.LG cs.NE
GuiltyWalker: Distance to illicit nodes in the Bitcoin network
Instituto Superior Técnico（高等技术学院）；Feedzai
洗钱是一种全球现象，具有广泛的社会和经济后果。由于当局缺乏控制和匿名性，加密货币特别容易受到影响。因此，开发新技术来检测和防止非法加密货币交易非常重要。在我们的工作中，我们提出了基于图结构和过去标签的新特征，以提高机器学习方法检测洗钱的性能。我们的方法GuiltyWalker在比特币交易图上执行随机游走，并根据与非法交易的距离计算特征。我们将这些新的功能与Weber等人提出的功能相结合，并观察到关于非法分类的约5pp的改进。也就是说，我们观察到我们提出的功能在黑市关闭期间特别有用，其中Weber等人的算法性能低下。
2021-07-21 cs.LG cs.SI
Graph Feature Preprocessor: Real-time Subgraph-based Feature Extraction for Financial Crime Detection
IBM Research Europe（IBM欧洲研究院）；Caltech（加州理工学院）；IBM Watson Research（IBM沃森研究院）；TU Delft（代尔夫特理工大学）
本文提出图特征预处理器，通过实时挖掘交易图中的洗钱子图模式生成丰富特征，结合梯度提升模型，在反洗钱和钓鱼检测中以更高少数类F1分数和吞吐率超越图神经网络基线。
2024-10-03 cs.AI cs.LG
Synthetic Data Generation for Fraud Detection using GANs
City, University of London（伦敦城市大学）；BetBuddy Playtech Plc（贝特巴迪博彩科技公共有限公司）
随着消费者转向在线渠道，检测赌博中的洗钱活动对赌博业来说变得越来越具有挑战性。虽然多年来越来越严格的法规已经应用于防止赌博洗钱，但尽管如此，在线赌博仍然是犯罪分子花费犯罪收益的渠道。与传统的物理形式的赌博相比，补充在线赌博的增长对其影响提出了更多的担忧，因为它可能会引入更高水平的问题赌博或欺诈行为，因为它与在线赌博体验的直接互动性质。然而，在大多数情况下，组织试图解决这些领域的主要问题是缺乏高质量的数据。由于欺诈检测相关的问题面临的类不平衡的重大问题，在本文中，我们提出了一种新的系统，基于生成对抗网络（GANs）生成合成数据，以训练监督分类器。我们的框架合成数据生成GAN（SDG-GAN），设法优于基于密度的过采样方法，并提高了基准数据集和真实世界赌博欺诈数据集的分类性能。
2021-09-26 cs.CR cs.LG
Application of Deep Generative Models for Anomaly Detection in Complex Financial Transactions
University of Michigan（密歇根大学）；Trine University（特里纳大学）；The University of Chicago（芝加哥大学）；Columbia University（哥伦比亚大学）；Independent Researcher（独立研究者）
本研究提出结合GAN和VAE的深度生成模型，用于检测大规模支付流中的异常交易，显著优于传统方法，尤其在识别罕见欺诈行为方面表现突出。
2025-04-21 cs.LG
Exploring Multi-Banking Customer-to-Customer Relations in AML Context with Poincaré Embeddings
IBM Global Business Services（IBM全球企业咨询服务部）；IBM Lithuania, Client Innovation Center Baltic（IBM立陶宛波罗的海客户创新中心）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）
近年来，洗钱计划的复杂性和实现速度都有所增加，影响到全球金融机构和数百万客户。加强的隐私政策以及国内法规使银行难以内部和交叉共享，并报告AML（反洗钱）措施的可疑活动。用于AML分析和信息共享的现有拓扑和模型受到重大限制，例如符合监管约束，扩展基础设施以运行高计算算法，数据质量和跨度，证明执行，联合和解释繁琐且成本高昂。本文提出了一种新的拓扑结构，探索多银行客户的社会关系在AML的上下文中-客户对客户，客户对交易，交易对交易-使用3D建模拓扑代数通过庞加莱嵌入制定。
2020-06-22 cs.CY cs.LG cs.SI
Demystifying Fraudulent Transactions and Illicit Nodes in the Bitcoin Network for Financial Forensics
Georgia Institute of Technology（佐治亚理工学院）
本研究构建包含四类图数据、超82万节点的Elliptic++比特币数据集，结合多种机器学习算法实现非法交易与地址检测，助力理解洗钱漏洞与欺诈防控。
2023-05-25 cs.CR cs.LG
The GANfather: Controllable generation of malicious activity to improve defence systems
Feedzai（Feedzai公司）；Porto University（波尔图大学）
提出GANfather方法，通过GANs额外目标奖励生成恶意样本，无需标签，利用判别器作为防御系统，在洗钱和推荐系统中有效增强检测。
2023-07-25 cs.CR cs.LG
Synthetic Pattern Generation and Detection of Financial Activities using Graph Autoencoders
本文利用图自编码器生成和检测金融活动的合成模式，通过实验验证了GAE-GCN在重构性能上的优势，为非法行为检测提供了新的方法。
2026-01-29 cs.CE cs.ET cs.LG
Co-Investigator AI: The Rise of Agentic AI for Smarter, Trustworthy AML Compliance Narratives
本文提出 Co-Investigator AI 智能体框架，通过集成规划、犯罪检测、情报收集与合规验证等专用智能体及隐私保护层，解决反洗钱可疑活动报告生成中的高成本与低准确性问题，实现更高效可信的合规叙事生成。
2025-09-17 cs.AI cs.LG
