[論文レビュー] Towards Artificial Intelligence Enabled Financial Crime Detection

Zeinab Rouhollahi|arXiv (Cornell University)|May 23, 2021

Crime, Illicit Activities, and Governance参考文献 79被引用数 5

ひとこと要約

本論文では、監視付き分類と非監視異常検出を組み合わせたハイブリッドAIモデルを提案し、人的介入を最小限に抑えながらマネーロンダリング検出を向上させる。論理積論理による予測の統合により、正確性とF1スコアが0.919に向上し、誤検出を顕著に低減するとともにアナリストの作業負荷を軽減しながら、高い正確性（95.1％）を維持する。

ABSTRACT

Recently, financial institutes have been dealing with an increase in financial crimes. In this context, financial services firms started to improve their vigilance and use new technologies and approaches to identify and predict financial fraud and crime possibilities. This task is challenging as institutions need to upgrade their data and analytics capabilities to enable new technologies such as Artificial Intelligence (AI) to predict and detect financial crimes. In this paper, we put a step towards AI-enabled financial crime detection in general and money laundering detection in particular to address this challenge. We study and analyse the recent works done in financial crime detection and present a novel model to detect money laundering cases with minimum human intervention needs.

研究の動機と目的

• コロナ禍に伴い急増するデジタル取引の文脈において、金融犯罪、特にマネーロンダリングの増加する課題に対処すること。
• 不審取引検出における誤検出を低減することで、人的なアナリストレビューへの依存を減らすこと。
• AIと特徴工学を活用し、スケーラブルで人的介入が最小限のマネーロンダリング検出システムを構築すること。
• 複数のデータソースおよび知識ベースを統合し、取引特徴を豊かにすることで検出精度を向上させること。
• クラスタリングとダッシュボード統合を通じて、銀行アナリスト向けの動的で視覚的な取引セグメンテーションを可能にすること。

提案手法

• ラベル付き取引データに対して監視付き機械学習（分類）を適用し、不審なケースを予測する。
• 事前にラベルが付与されていない状態で、異常な取引パターンを同定する非監視異常検出を用いる。
• 両モデルの出力を論理積論理で統合し、誤検出を低減するとともに、不審ケースに対する信頼性を向上させる。
• 事前に重みを設定しない形で、場所、エンティティタイプ、取引行動などの取引データに対して特徴工学を実施する。
• エルボー法を用いてk-meansクラスタリングを実行し、通常と不審な取引に二分類できる最適なクラスタ数を検証する。
• 知識ベース（KBs）を活用し、生の取引データを豊かにし、モデル入力のための特徴表現を向上させる。

実験結果

リサーチクエスチョン

• RQ1 AIモデルは、マネーロンダリング取引の検出において、人的介入をどのように低減できるか？
• RQ2 監視付き分類と非監視異常検出を統合することで、検出性能にどのような影響を与えるか？
• RQ3 事前に定義された重みなしで、さまざまな取引特徴は不審行動の特定にどのように寄与するか？
• RQ4 クラスタリング手法は、取引を不審と通常のグループに分類する分割を検証できるか？
• RQ5 統合されたAIモデルは、金融アナリストのためのリアルタイムで動的な監視と可視化をどのように支援できるか？

主な発見

• 論理積論理による統合を用いたハイブリッドモデルは、F1スコア0.919を達成し、個々のモデルに比べ顕著な向上を示した。
• 分類と異常検出の出力を統合した後、正確性は0.939に上昇し、正確性は0.951に達した。
• 再現率は0.899であり、実際に発生したマネーロンダリング事例の多くを検出でき、誤検出を最小限に抑えることができた。
• エルボー法により、取引データに二つの最適なクラスタが存在することが確認され、通常対不審取引への二値分類が裏付けられた。
• 誤検出の数が減少したため、金融アナリストの作業負荷が軽減され、高信頼性の不審取引にのみ注目できるようになった。
• クラスタリングと特徴工学の統合により、リアルタイム取引監視とアナリスト意思決定支援のための動的ダッシュボードの開発が可能になった。