[論文レビュー] Detection of money laundering groups using supervised learning in networks

David Savage, Qingmai Wang+3 more|arXiv (Cornell University)|Aug 2, 2016

Crime, Illicit Activities, and Governance参考文献 14被引用数 33

ひとこと要約

本論文では、複数のタイプの関係性と局所的ネットワーク近傍を組み合わせることで、金融取引ネットワーク内のコミュニティを分析することにより、マネーロンダリンググループを検出する教師あり学習システムを提案する。この手法は、低誤検出率を実現しつつ高い正確性（98%）を達成しており、実世界のインテリジェンス利用に適している。

ABSTRACT

Money laundering is a major global problem, enabling criminal organisations to hide their ill-gotten gains and to finance further operations. Prevention of money laundering is seen as a high priority by many governments, however detection of money laundering without prior knowledge of predicate crimes remains a significant challenge. Previous detection systems have tended to focus on individuals, considering transaction histories and applying anomaly detection to identify suspicious behaviour. However, money laundering involves groups of collaborating individuals, and evidence of money laundering may only be apparent when the collective behaviour of these groups is considered. In this paper we describe a detection system that is capable of analysing group behaviour, using a combination of network analysis and supervised learning. This system is designed for real-world application and operates on networks consisting of millions of interacting parties. Evaluation of the system using real-world data indicates that suspicious activity is successfully detected. Importantly, the system exhibits a low rate of false positives, and is therefore suitable for use in a live intelligence environment.

研究の動機と目的

• 個々の人物ではなく、グループとしての行動が共謀を示すため、マネーロンダリンググループの検出という課題に焦点を当てる。
• 個々の取引履歴に注目する伝統的な異常検出の限界を克服し、取引ネットワークにおける集団的行動をモデル化する。
• 実世界のインテリジェンス環境で、数百万件の金融取引をリアルタイムで監視できるスケーラブルなシステムを開発する。
• 共有口座、代理人、場所など、重み付きでタイプ分けされた関係性を用いて、熟練知識をネットワークモデリングに統合し、検出精度を向上させる。
• 人間のアナリストによるレビューに不可欠な低誤検出率を実現し、運用環境での不審行動の検出を可能にする。

提案手法

• 金融記録を用いて、参加者をノードとし、資金移動、共通の代理人、地理的重複など、さまざまな関係性をエッジとする多関係型取引ネットワークを構築する。
• 業務知識を反映させるために、共有口座や代理人の使用など、より重要な関係性に高い重みを付与するエッジスコアリングを実施する。
• 各新しい取引を中心に、局所的で結束の強いグループを抽出する下向きのコミュニティ検出アプローチを採用し、リアルタイム適用性を確保する。
• 各検出されたコミュニティの特徴として、サイズ、直径、取引件数、補足的関係性などのネットワーク不変量を抽出する。
• これらのコミュニティレベル特徴を用いて、不審なグループと正当なグループを区別するため、教師あり分類器（特にランダムフォレストとSVM）を訓練する。
• 高しきのしきい値（例：τ = 0.93）を用いた最適化により、誤検出を最小限に抑え、運用上の精度を優先する。

実験結果

リサーチクエスチョン

• RQ1 個々の人物ベースの異常検出と比較して、金融取引ネットワークにおけるコミュニティレベル分析が、連携したマネーロンダリンググループの検出をどれほど改善できるか。
• RQ2 共有口座、代理人など、複数タイプで重み付けされた関係性の統合は、検出性能をどれほど向上させるか。
• RQ3 実世界の金融インテリジェンス環境において、コミュニティ特徴に基づく教師あり学習が、高精度かつ低誤検出率を達成できるか。
• RQ4 分類しきい値の違いに応じて、システムの性能はどのように変化するか。また、実運用に向けた高精度運用が可能か。
• RQ5 熟練者によって定義されたパrameterとグローバルネットワーク不変量に依存する制限は何か。今後のシステムは、自動的または動的モデリングによってどのように改善できるか。

主な発見

• 本システムは、実際の取引データにおける不審なマネーロンダリング活動を効果的に検出でき、ライブインテリジェンス環境での実用的妥当性を示した。
• ランダムフォレスト分類器は、Fスコア0.96（β=0.1）および98%の正確性を達成し、極めて低い誤検出率であることが示された。
• 平均再現率は31%であったが、高い正確性のおかげで、誤報の少ない安全な運用が可能であり、アナリストの作業負荷管理にとって重要である。
• 単一の当事者レベルでは見えない集団的共謀パターンを捉えることができることから、本システムは個々の人物ベースの異常検出を上回る性能を示した。
• コミュニティレベル特徴と重み付きネットワーク関係性の使用により、取引データのみを用いたモデルと比較して、検出精度が著しく向上した。
• 評価結果から、高しきのしきい値（例：τ = 0.93）が精度を維持するのに有効であることが示され、運用環境への導入を支援する。