[논문 리뷰] Anti-Money Laundering Alert Optimization Using Machine Learning with Graphs

Ahmad Naser Eddin, Jacopo Bono외 5명|arXiv (Cornell University)|2021. 12. 14.

Crime, Illicit Activities, and Governance인용 수 12

한 줄 요약

이 논문은 실시간 은행 데이터셋을 사용하여 엔티티 중심 특징과 거래 네트워크에서 유도된 그래프 기반 특징을 결합함으로써 반부패세금(AML) 시스템의 잘못된 경고(false positives)을 줄이는 기계학습 트리지 모델을 제안한다. 이 모델은 진정한 경고 탐지율을 90% 이상 유지하면서 잘못된 경고를 80% 감소시켜 운영 효율성을 크게 향상시키며, 규칙 기반 설명 가능성도 유지한다.

ABSTRACT

Money laundering is a global problem that concerns legitimizing proceeds from serious felonies (1.7-4 trillion euros annually) such as drug dealing, human trafficking, or corruption. The anti-money laundering systems deployed by financial institutions typically comprise rules aligned with regulatory frameworks. Human investigators review the alerts and report suspicious cases. Such systems suffer from high false-positive rates, undermining their effectiveness and resulting in high operational costs. We propose a machine learning triage model, which complements the rule-based system and learns to predict the risk of an alert accurately. Our model uses both entity-centric engineered features and attributes characterizing inter-entity relations in the form of graph-based features. We leverage time windows to construct the dynamic graph, optimizing for time and space efficiency. We validate our model on a real-world banking dataset and show how the triage model can reduce the number of false positives by 80% while detecting over 90% of true positives. In this way, our model can significantly improve anti-money laundering operations.

연구 동기 및 목표

• 현재 95% 이상을 초과하는 고수준의 잘못된 경고 비율을 줄이기 위해, 조사자들에게 과도한 작업 부담을 주는 규칙 기반 AML 시스템의 문제를 해결한다.
• 기존 규칙의 후속 단계에서 작동하는 기계학습 트리지 모델을 개발하여 해석 가능성은 유지하면서 경고 우선순위 정렬 또는 억제를 향상시킨다.
• 위험 활동 탐지 능력을 향상시키기 위해 엔티티 중심 행동 특징과 상호 엔티티 관계를 반영한 그래프 기반 특징을 통합한다.
• 특히 정상 엔티티에 대한 메모리 오버헤드를 줄이기 위해, 동적 그래프 구축을 위한 슬라이딩 타임 윈도우를 사용하여 계산 효율성을 최적화한다.
• 실제 은행 데이터셋을 대상으로 실제 조건(위험 활동 보고의 레이블 지연 포함)에서 모델을 평가한다.

제안 방법

• 트리지 모델은 규칙 기반 AML 시스템이 생성한 경고를 대상으로, 거래 데이터에서 추출한 특징을 사용해 훈련된 지도 학습 분류기이다.
• 엔티티 중심 특징은 1일에서 2개월까지 다양한 기간 동안 거래 금액과 거래량의 시간 윈도우 집계(합계, 평균, 카운트, 최소, 최대)를 포함한다.
• 그래프 기반 특징은 도수 기반 지표(예: 연결 수)와, 알려진 불법 엔티티에 가까이 있는지 탐지하기 위한 랜덤 워크 기반 특징인 GuiltyWalker의 새로운 지연 레이블 적응 방식을 포함한다.
• 스ไล딩 윈도우 메커니즘을 사용해 동적 그래프를 효율적으로 유지하며, 위험 계정에 대해서는 더 긴 메모리 유지 기간을 적용해 계산 비용을 줄인다.
• 기계학습 성능 기여도를 고려해 기울기 부스팅 트리 모델 기반 순열 기반 중요도를 사용해 특징 선택을 수행하며, 성능 기여도가 90% 이상인 특징만 유지한다.
• 모델 평가에 주로 Recall@20%FPR를 사용하여, 경고 억제 또는 우선순위 정렬 전략을 수립할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기계학습 트리지 모델은 규칙 기반 시스템의 설명 가능성은 유지하면서 AML 시스템의 잘못된 경고를 줄일 수 있는가?
• RQ2 특히 도수 및 GuiltyWalker 유형의 그래프 기반 특징은 기존 엔티티 수준 특징을 초월해 AML 탐지 성능을 얼마나 향상시키는가?
• RQ3 위험 활동 보고의 레이블 지연이 GuiltyWalker와 같은 그래프 기반 특징의 성능에 어느 정도 영향을 미치는가?
• RQ4 슬라이딩 타임 윈도우를 사용한 동적 그래프 구축은 메모리 및 계산 비용을 줄이면서도 모델 성능을 유지할 수 있는가?
• RQ5 엔티티 중심 특징과 그래프 기반 특징의 최적 조합은 진짜 경고 탐지율을 극대화하고 잘못된 경고를 최소화하는 데 얼마나 기여하는가?

주요 결과

• 트리지 모델은 잘못된 경고를 80% 감소시키면서도 90% 이상의 진짜 경고를 유지하여, 경고 억제 측면에서 뛰어난 성능을 보였다.
• 특히 도수 기반 특징을 포함한 그래프 기반 특징의 통합은 엔티티 중심 특징만 사용한 경우보다 모델 성능을 크게 향상시켰다.
• 새로운 지연 레이블 버전의 GuiltyWalker 특징은 탐지에 유용하지만, 비지연 버전에 비해 성능이 떨어졌다.
• 도수 특징과 함께 사용될 경우 GuiltyWalker 특징의 기여도는 감소하여, 데이터셋 내에서 정보가 중복됨을 시사한다.
• 위험 계정에 대한 메모리 유지 기간을 늘리고 정상 계정에 대해서는 짧게 유지함으로써 모델의 계산 효율성이 향상되어 시스템 부하가 감소했다.
• 모델는 실무에서 경고 억제, 우선순위 정렬 또는 하이브리드 전략을 구현할 수 있도록 Recall@20%FPR 수준의 성능을 달성했다.