[論文レビュー] Realistic Synthetic Financial Transactions for Anti-Money Laundering Models

Erik Altman, Jovan Blanuša+4 more|arXiv (Cornell University)|Jun 22, 2023

Crime, Illicit Activities, and Governance被引用数 13

ひとこと要約

本論文は AMLworld を紹介します。これは複数エージェントの合成データ生成器で、現実的で完全にラベル付けされた AML データセットを作成し、マネーロンダリング検知のための ML モデル（GNNs および GBTs）を評価するベンチマークを提供します。銀行間の評価と、グラウンドトゥルースのマネーロンダリングラベルを用いた転移学習を可能にします。

ABSTRACT

With the widespread digitization of finance and the increasing popularity of cryptocurrencies, the sophistication of fraud schemes devised by cybercriminals is growing. Money laundering -- the movement of illicit funds to conceal their origins -- can cross bank and national boundaries, producing complex transaction patterns. The UN estimates 2-5\% of global GDP or \$0.8 - \$2.0 trillion dollars are laundered globally each year. Unfortunately, real data to train machine learning models to detect laundering is generally not available, and previous synthetic data generators have had significant shortcomings. A realistic, standardized, publicly-available benchmark is needed for comparing models and for the advancement of the area. To this end, this paper contributes a synthetic financial transaction dataset generator and a set of synthetically generated AML (Anti-Money Laundering) datasets. We have calibrated this agent-based generator to match real transactions as closely as possible and made the datasets public. We describe the generator in detail and demonstrate how the datasets generated can help compare different machine learning models in terms of their AML abilities. In a key way, using synthetic data in these comparisons can be even better than using real data: the ground truth labels are complete, whilst many laundering transactions in real data are never detected.

研究の動機と目的

• 実データのプライバシーとラベル付けの制約のため、現実的で公開可能な AML データセットの必要性を動機づける。
• 現実的なパターンと循環を備えたラベリング済みのマネーロンダリング取引を生成する、エージェントベースの仮想世界 AMLworld を提案する。
• モデルベンチマークのために、さまざまなサイズとマネーロンダリング率の公開 AML データセットを提供する。
• 合成データセット上でのベースライン機械学習モデル（GNNs および GBTs）の性能を示す。
• 倫理的配慮と、フェデレーテッド学習やプライバシー保護モデル化の可能性について論じる。

提案手法

• 現実的なパターンと循環を備えたラベリング済みのマネーロンダリング取引を生成する、エージェントベースの仮想世界 AMLworld を開発する。
• マネーロンダリングの完全なサイクル（配置、階層化、統合）をモデル化し、すべての換金取引に完全なグラウンドトゥルースを付与する。
• 取引を動的な金融取引グラフとして表現し、複雑なパターンやモチーフ（例：サイクル、ファンアウト/イン、集約-散布、二部構造）を捉える。
• 通貨を跨る何十億の取引を生成し、公開されたラベル付きデータセットを提供する（HI/LI グループ; 小規模/中規模/大規模なスケール）。
• 表形式データでの ML モデル（LightGBM/XGBoost と Graph Feature Preprocessor、グラフベースの GNN：GIN、GIN+EU、PNA）を 60-20-20 の時間分割で評価し、不均衡のため少数派クラスの F1 を強調する。

実験結果

リサーチクエスチョン

• RQ1 現実的な合成 AML データセットは、さまざまなサイズとマネーロンダリング率にわたって、AML モデルの堅牢なベンチマークと公正な比較を可能にするか。
• RQ2 グラフベースと従来の表形式MLモデルは合成AMLデータでどのように性能を発揮し、転移学習や事前学習はデータセット間で性能を向上させるか。
• RQ3 銀行間データ共有と差分プライバシーがAMLモデルの有効性に与える影響は何か。
• RQ4 合成データは実データで観察される以上の複雑なマネーロンダリングパターンを明らかにできるか。

主な発見

• GNNsとGBTsは AMLworld のデータセット上で効果的にマネーロンダリング取引を特定できる。
• PNA および GIN+EU アーキテクチャは GNN の性能を改善し、LightGBM/XGBoost の GFP 特徴量も高い成果をもたらす。
• LI データセット（低マネーロンダリング率）はより難しく、HI データでの事前学習モデルが LI の性能を高め、HI モデルの微調整が LI データを助ける。
• 銀行間データ共有とグラフ特徴共有は F1 スコアを大幅に改善し、プライバシー保護型の協力の利点を示唆する。
• 合成データはマネーロンダリングの完全なグラウンドトゥルースラベルを提供し、実データでは難しい信頼性の高いモデルベンチマークを可能にする。