[논문 리뷰] Deep Set Classifier for Financial Forensics: An application to detect money laundering

Jonathan Z. Pan|arXiv (Cornell University)|2022. 07. 16.

Crime, Illicit Activities, and Governance인용 수 4

한 줄 요약

이 논문은 제한된 레이블 데이터에서 암호화폐 자금세탁을 탐지하기 위해 메타학습을 사용하는 새로운 딥 세트 분류기를 제안한다. 점진적으로 증가하는 소규모 거래 샘플에서 훈련함으로써, 기존 최고 수준의 방법들보다 뛰어난 성능을 달성하며, 금융 감정 분석 분야에서 낮은 데이터 환경에서 강력한 일반화 능력을 보여준다.

ABSTRACT

Financial forensics has an important role in the field of finance to detect and investigate the occurrence of finance related crimes like money laundering. However, as with other forms of criminal activities, the forensics analysis of such activities is a complex undertaking with attempts by the adversaries to constantly upgrade their ability to evade detection. Also, the extent of the volume and complexity of financial activities or transactions further complicates the task of performing financial forensics. Machine Learning or Artificial Intelligence algorithms could be used to deal with such complexities. However, the challenge of limitedly available labeled datasets especially with fraudulent activities limits the means to develop efficient algorithms. Additionally, the complexity of defining precise search patterns of evasive fraudulent transactions further complicates this challenge. In this paper, we developed a novel deep set classifier algorithm based on meta learning and applied it to deal with the complexity deriving patterns of interest with sample of limitedly labelled transactions to detect fraudulent cryptocurrency money laundering transactions. We a unique approach to train our model with progressive provision of samples and the test result exceeds leading research algorithms.

연구 동기 및 목표

• 제한된 레이블 데이터로 금융 거래에서 자금세탁을 탐지하는 데 도전하는 것.
• 고속도의 금융 데이터에서 복잡하고 피避적인 거래 패턴을 식별할 수 있는 기계학습 모델을 개발하는 것.
• 소수의 학습 샘플 환경에서 메타학습을 활용해 금융 감정 분석의 탐지 정확도를 향상시키는 것.
• 점차 증가하는 거래 샘플에서 학습하는 가변적이고 확장 가능한 프레임워크를 설계하는 것.
• 데이터 부족 상황에서 기존 알고리즘을 뛰어넘어 암호화폐 거래의 위조 행위를 탐지하는 것.

제안 방법

• 모델은 순서가 없는 거래 세트를 처리하기 위해 딥 세트 아키텍처를 사용하여 금융 활동 간의 상관 관계 패턴을 포착한다.
• 메타학습을 통해 적은 수의 레이블 예시로도 새로운, 알려지지 않은 거래 패턴에 신속하게 적응할 수 있도록 한다.
• 훈련 과정은 점진적인 샘플 주입을 포함하여, 모델이 점차 더 큰 레이블이 부여된 거래 세트에 노출되도록 한다.
• 모델은 소수의 학습 샘플로 불법 대비 정상 거래를 분류하는 데 최적화된 손실 함수를 사용해 엔드 투 엔드로 훈련된다.
• 특징 표현은 세트 내 거래 중요도를 가중치로 평가하는 어텐션 메커니즘을 통해 학습된다.
• 모델은 실제 암호화폐 거래 데이터셋에 대해 합성된 사기 레이블을 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 메타학습 기반의 딥 세트 분류기는 제한된 레이블 데이터로 금융 거래에서 자금세탁을 효과적으로 탐지할 수 있는가?
• RQ2 점진적인 샘플 주입은 소수의 학습 샘플 환경에서 금융 사기 탐지의 모델 일반화 능력을 어떻게 향상시키는가?
• RQ3 제안된 모델은 피避적인 자금세탁 패턴을 탐지하는 데 있어 기존 최고 수준의 알고리즘을 어느 정도 뛰어넘는가?
• RQ4 금융 감정 분석 응용 분야에서 데이터 부족과 클래스 불균형에 대해 모델은 얼마나 강건한가?
• RQ5 세트 기반 모델링은 자금세탁 탐지에서 복잡한 거래 관계를 포착하는 데 어떤 영향을 미치는가?

주요 결과

• 제안된 딥 세트 분류기는 동일한 벤치마크 데이터셋에서 선도적인 연구 알고리즘보다 높은 탐지 정확도를 달성했다.
• 매우 제한된 레이블 훈련 샘플 조건에서도 모델이 강력한 성능을 보여, 낮은 데이터 환경에서의 효과성을 확인했다.
• 점차 증가하는 샘플 크기로 진행되는 훈련이 모델 수렴과 일반화 능력을 향상시켰다.
• 메타학습 덕분에 모델은 새로운 거래 패턴에 신속하게 적응할 수 있었으며, 대규모 재훈련이 필요로 하는 것을 줄였다.
• 세트 기반 아키텍처는 거래 간의 상관 관계 특징을 효과적으로 포착하여 복잡한 자금세탁 수법 탐지 능력을 향상시켰다.
• 테스트 세트에서 정밀도와 재현율 지표 모두에서 이전 최고 수준의 방법들을 뛰어넘는 성능을 보였다.