[論文レビュー] Scalable Graph Learning for Anti-Money Laundering: A First Look

Mark Weber, Jie Chen+7 more|arXiv (Cornell University)|Nov 30, 2018

Advanced Graph Neural Networks参考文献 13被引用数 72

ひとこと要約

本論文はAMLのためのスケーラブルなグラフニューラルネットワークを探索し、合成データ用のAMLSimを導入、FastGCNが1Mノード9MエッジのグラフでGCNより速いという予備結果を報告し、速度とメモリ最適化について議論する。

ABSTRACT

Organized crime inflicts human suffering on a genocidal scale: the Mexican drug cartels have murdered 150,000 people since 2006, upwards of 700,000 people per year are "exported" in a human trafficking industry enslaving an estimated 40 million people. These nefarious industries rely on sophisticated money laundering schemes to operate. Despite tremendous resources dedicated to anti-money laundering (AML) only a tiny fraction of illicit activity is prevented. The research community can help. In this brief paper, we map the structural and behavioral dynamics driving the technical challenge. We review AML methods, current and emergent. We provide a first look at scalable graph convolutional neural networks for forensic analysis of financial data, which is massive, dense, and dynamic. We report preliminary experimental results using a large synthetic graph (1M nodes, 9M edges) generated by a data simulator we created called AMLSim. We consider opportunities for high performance efficiency, in terms of computation and memory, and we share results from a simple graph compression experiment. Our results support our working hypothesis that graph deep learning for AML bears great promise in the fight against criminal financial activity.

研究の動機と目的

• AMLを社会的課題として動機づけ、手動/ヒューリスティック手法を超えるスケーラブルな分析の必要性。
• 現行のAML手法を評価し、法医分析の有望なアプローチとしてグラフベースの深層学習を特定。
• 大規模な合成AMLデータ上でグラフ学習技術の予備的なスケーラビリティを示す。
• AMLスケールでのグラフ学習の計算とメモリの考慮事項を調査。
• 初期の定量的ベンチマークと今後の最適化機会を提供。

提案手法

• 取引ネットワークのAML背景とグラフベースの分析を議論する。
• AMLSimを導入して合成AMLグラフ（1Mノード、9Mエッジ）と時系列データを生成。
• グラフ畳み込みネットワーク（GCN）とFastGCNを用いて、不審性の半教師ありノード分類を適用する。
• 合成データ上で訓練時間と収束を比較。
• Ligra+によるグラフ圧縮を用いてメモリ効率を評価。
• 速度とスケーラビリティを向上させるためのスパース動的再計算とデータ局所性の影響を分析。

実験結果

リサーチクエスチョン

• RQ1 グラフ深層学習手法は、数百万ノードとエッジを持つ大規模なAMLグラフにスケール可能か？
• RQ2 FastGCNのようなスケーラブルなグラフモデルは、精度を犠牲にすることなく、AML設定で従来のGCNより顕著なスピードアップを提供するか？
• RQ3 メモリ効率の良いグラフ表現と圧縮は、AMLグラフ学習の性能にどのような影響を与えるか？
• RQ4 スパース動的再計算とグラフ再配置の実用的な影響は、リアルタイムのAML分析にとってどのような意味を持つか？

主な発見

• FastGCNは386秒で収束、GCNは611秒、AMLSim 1Mノード、9Mエッジグラフ（同じ32エポック）で。
• 訓練時間は、十億規模のAMLグラフが線形スケーリングで数日かかる可能性を示唆しており、高性能コードによる潜在的なスピードアップを強調している。
• Ligra+によるグラフ圧縮は様々なグラフで最大2倍のサイズ削減を達成し、AMLグラフ学習のメモリ効率の利点を示している。
• 予備的な結果は、スパース動的再計算とメモリ対策型のグラフ表現がAML分析のスケーラビリティと待機時間を改善できることを示している。
• AMLSimは、AMLグラフ学習のスケーラビリティ、説明可能性、データダイナミクスを評価するための構造的に現実的な合成データを提供する。
• 本研究は、グラフ深層学習がAMLタスクの性能とスケーラビリティに強い可能性を持つという仮説を裏付けている。