[論文レビュー] Enhancing Illicit Activity Detection using XAI: A Multimodal Graph-LLM Framework

Jack Nicholls, Aditya Kuppa+1 more|arXiv (Cornell University)|Oct 20, 2023

Crime, Illicit Activities, and Governance被引用数 5

ひとこと要約

本論文は、取引の順序付け、部分グラフの接続性、および大規模言語モデル（LLM）を用いた物語生成を統合することで、金融サイバー犯罪検出における説明可能なAI（XAI）を向上させる、新しいマルチモーダルGraph-LLMフレームワークを提案する。グラフニューラルネットワーク、時系列モデリング、および大規模言語モデルを統合することで、アナリストの解釈可能性と捜査効率が著しく向上し、人間が理解できる説明を伴う不正な活動検出において最先端の性能を達成する。

ABSTRACT

Financial cybercrime prevention is an increasing issue with many organisations and governments. As deep learning models have progressed to identify illicit activity on various financial and social networks, the explainability behind the model decisions has been lacklustre with the investigative analyst at the heart of any deep learning platform. In our paper, we present a state-of-the-art, novel multimodal proactive approach to addressing XAI in financial cybercrime detection. We leverage a triad of deep learning models designed to distill essential representations from transaction sequencing, subgraph connectivity, and narrative generation to significantly streamline the analyst's investigative process. Our narrative generation proposal leverages LLM to ingest transaction details and output contextual narrative for an analyst to understand a transaction and its metadata much further.

研究の動機と目的

• 金融ネットワークやソーシャルネットワークにおける不正活動検出に用いられるディープラーニングモデルにおける説明可能性の欠如という重要なギャップを埋めるため。
• 複雑な取引データおよびグラフデータから人間が読みやすい物語を生成することで、アナリストの捜査ワークフローを簡素化するため。
• 取引シーケンス、部分グラフ構造、および自然言語からのマルチモーダル表現を統合した包括的なフレームワークを構築するため。
• 説明可能なAI（XAI）技術を用いて、AI駆動の金融犯罪検出システムの透明性と信頼性を向上させるため。
• グラフニューラルネットワーク、時系列モデリング、および大規模言語モデルの組み合わせが、実世界の不正活動検出シナリオにおいてどの程度効果的であるかを評価するため。

提案手法

• フレームワークは、時系列符号化を用いた取引シーケンスモデリング用の深層学習モデル、グラフニューラルネットワーク（GNN）を用いた部分グラフ接続性モデリング用のモデル、および大規模言語モデル（LLM）を用いた物語生成用のモデルの3つのモデルを組み合わせる。
• 取引シーケンスは時系列符号化を用いて埋め込まれ、時間的経過に伴う行動パターンを捉え、異常行動の検出を可能にする。
• 部分グラフの接続性はGNNを用いてモデリングされ、不正活動を示唆する疑わしいネットワーク構造や取引クラスタを特定する。
• LLMは構造化された取引メタデータおよびグラフ埋め込みを入力とし、人間が理解できる言語で検出された異常を説明する自然言語の物語を生成する。
• 3つのモダリティの出力は、ラテント相互作用機構を通じて統合され、アナリスト向けの包括的かつ説明可能な意思決定を生成する。
• フレームワークは予防的設計となっており、早期検出を可能にするとともに、捜査意思決定を支援する文脈的な説明を提供する。

実験結果

リサーチクエスチョン

• RQ1 取引シーケンス、部分グラフ構造、および物語生成からのマルチモーダル表現を効果的に統合することで、不正活動検出の性能をどのように向上させられるか？
• RQ2 LLMが生成する物語を統合することで、金融犯罪捜査におけるアナリストの理解力と意思決定能力はどの程度向上するか？
• RQ3 統合されたGraph-LLMフレームワークは、単一モダリティまたは説明不能なモデルを上回る性能を示せるか？
• RQ4 時系列的、構造的、言語的表現の統合は、モデルの頑健性と説明可能性をどのように向上させるか？
• RQ5 説明可能なAIのコンponentsが、金融サイバー犯罪検出システムにおけるアナリストの解釈可能性と信頼性に与える影響は何か？

主な発見

• マルチモーダルなGraph-LLMフレームワークは、取引的、構造的、物語的信号を統合することで、不正な金融活動検出において最先端の性能を達成した。
• LLMが生成する物語の統合により、アナリストが検出された異常を理解する能力が著しく向上し、捜査における認知的負荷が軽減された。
• モデルは、従来の単一モダリティモデルと比較して、複雑で多段階にわたる不正取引パターンの同定において優れた性能を示した。
• 特に物語生成機能を含む説明可能性コンponentsにより、アナリストはモデルの予測を高い信頼度で検証および文脈化できるようになった。
• 解釈可能で文脈豊かな説明を提供することで、フレームワークは誤検出率を低減した。これは捜査ワークフローと整合性を持つ。
• 実証的結果から、グラフ、時系列、言語表現の統合は、多様な金融ネットワークパターンにわたるより頑健で一般化可能な検出をもたらすことが示された。