[論文レビュー] Finding Money Launderers Using Heterogeneous Graph Neural Networks

Fredrik Johannessen, Martin Jullum|arXiv (Cornell University)|Jul 25, 2023

Crime, Illicit Activities, and Governance被引用数 4

ひとこと要約

本稿では、大規模で現実世界の銀行取引ネットワークにおけるマネーロンダリング検出を目的として、メッセージパッシングニューラルネットワーク（MPNN）を拡張した異種グラフニューラルネットワーク（HMPNN）を提案する。個々の人物、組織、取引・役割関係といった多様なノード型およびエッジ型をモデル化し、異種エッジを跨ぐ新しいメッセージ集約戦略を導入することで、ベースラインモデルを上回る優れた性能を達成した。本研究は、異種GNNの金融犯罪防止システムにおける大規模な実用的応用としての初の例であり、強固な実証的結果を示している。

ABSTRACT

Current anti-money laundering (AML) systems, predominantly rule-based, exhibit notable shortcomings in efficiently and precisely detecting instances of money laundering. As a result, there has been a recent surge toward exploring alternative approaches, particularly those utilizing machine learning. Since criminals often collaborate in their money laundering endeavors, accounting for diverse types of customer relations and links becomes crucial. In line with this, the present paper introduces a graph neural network (GNN) approach to identify money laundering activities within a large heterogeneous network constructed from real-world bank transactions and business role data belonging to DNB, Norway's largest bank. Specifically, we extend the homogeneous GNN method known as the Message Passing Neural Network (MPNN) to operate effectively on a heterogeneous graph. As part of this procedure, we propose a novel method for aggregating messages across different edges of the graph. Our findings highlight the importance of using an appropriate GNN architecture when combining information in heterogeneous graphs. The performance results of our model demonstrate great potential in enhancing the quality of electronic surveillance systems employed by banks to detect instances of money laundering. To the best of our knowledge, this is the first published work applying GNN on a large real-world heterogeneous network for anti-money laundering purposes.

研究の動機と目的

• ルールベースのマネーロンダリング防止（AML）システムの限界、特に高い誤検出率、手動メンテナンスの必要性、複雑なマネーロンダリングパターンの検出困難性を是正すること。
• 金融ネットワークにおける関係的構造をモデル化するためのグラフニューラルネットワーク（GNN）の可能性を検討すること。マネーロンダラーはしばしば連携したグループで活動するため、このような構造のモデル化が重要である。
• 複数のノード型およびエッジ型（取引、役割、外部エンティティを含む）を持つ現実世界のAMLデータに特化した、新しい異種GNNアーキテクチャ（HMPNN）の開発および評価を行うこと。
• 異種グラフ構造および関係的情報を組み込むことで、従来のエンティティベースの機械学習モデルと比較して、検出精度が向上することを示すこと。
• 今後の金融犯罪検出分野の研究を基盤とする、HMPNNモデルのオープンソース実装を提供すること。

提案手法

• 著者らは、実際のDNB銀行データから大規模な異種グラフを構築した。ノードには個人、組織、外部エンティティが含まれ、エッジには取引、共通の役割、所有関係が含まれる。
• 同種GNNフレームワークを異種グラフに拡張するため、エッジタイプやメタパスを区別できるメッセージ集約メカニズムを設計し、タイプに配慮した伝搬を可能にした。
• エッジタイプごとに別々にメッセージを計算し、学習可能な重みを用いて統合する、新たなメッセージ集約戦略を提案。これにより、複雑な関係的構造における表現学習が向上した。
• ノード特徴量としてネットワークの中心性、重み付き次数、64次元のメタパス2ベクトル埋め込みを用い、ラベル付き取引データ上で教師あり学習でモデルを訓練した。
• 標準分類指標を用いて、標準MPNN、GNNベースのモデル（HGraphSage）、エンティティベースのニューラルネットワークとHMPNNを比較した。
• ハイパーパrameterは埋め込み生成およびメッセージパッシングの最適化を目的として調整され、PyTorch Geometricを用いて実装された。

実験結果

リサーチクエスチョン

• RQ1 大規模で現実世界の金融取引ネットワークにおいて、異種グラフニューラルネットワークはマネーロンダリングパターンを効果的に検出できるか？
• RQ2 異種GNNの性能は、従来のルールベースシステムやエンティティベースの機械学習モデルと比較して、AML検出においてどのように差がつくか？
• RQ3 取引、役割、外部リンクといった多様なエッジタイプを組み込むことで、モデルの不審行動同定能力にどのような影響があるか？
• RQ4 異種エッジタイプを考慮した新たなメッセージ集約戦略は、標準MPNNの集約方法と比較して、検出性能を向上させるか？
• RQ5 メタパス2ベクトル埋め込みは、異種金融グラフにおけるマネーロンダリングに関連する関係的パターンを効果的に捉えられるか？

主な発見

• HMPNNモデルは、ベースラインのMPNNおよびエンティティベースのニューラルネットワークモデルを著しく上回り、異種グラフ構造をモデル化することが重要であることを示した。
• 異種メッセージ集約（HMPNN-ct）を用いたHMPNNが最高の性能を示し、メッセージパッシング中にエッジタイプを区別することで表現学習が向上することを示した。
• 64次元のメタパス2ベクトル埋め込みをノード特徴量として組み込むことで、モデル性能が顕著に向上した。これは、メタパスから得られる構造的パターンの学習価値の高さを示している。
• モデルの性能は複数の評価指標において安定しており、ルールベースシステムと比較して誤検出が顕著に減少した。これは、アラート生成における精度の向上を示唆している。
• HMPNNモデルは現実世界のデータにうまく一般化できており、最初の層のパラメータ数が3,071にとどまっていることから、大規模な金融グラフへのスケーラビリティがあることが示された。
• 著者らの知る限り、本研究は、異種GNNを現実世界のAML検出に大規模に応用した初の公開論文であり、今後の研究の新たなベンチマークを設定した。