[논문 리뷰] Finding Money Launderers Using Heterogeneous Graph Neural Networks

Fredrik Johannessen, Martin Jullum|arXiv (Cornell University)|2023. 07. 25.

Crime, Illicit Activities, and Governance인용 수 4

한 줄 요약

이 논문은 메시지 전파 신경망(MPNN)을 확장하여 대규모 실생활 은행 거래 네트워크에서 자금세탁을 탐지하는 이질적 그래프 신경망(HMPNN)을 제안한다. 개인, 조직, 거래/역할 관계 등 다양한 노드 및 간선 유형을 모델링하고, 이질적 간선을 통해 메시지 집계 전략을 신규로 도입함으로써 기존 기준 모델보다 뛰어난 성능을 달성하였다. 이는 이질적 GNN의 첫 번째 대규모 응용으로서 강력한 실증 결과를 보이며, 자금세탁 방지 시스템에서의 잠재력을 입증한다.

ABSTRACT

Current anti-money laundering (AML) systems, predominantly rule-based, exhibit notable shortcomings in efficiently and precisely detecting instances of money laundering. As a result, there has been a recent surge toward exploring alternative approaches, particularly those utilizing machine learning. Since criminals often collaborate in their money laundering endeavors, accounting for diverse types of customer relations and links becomes crucial. In line with this, the present paper introduces a graph neural network (GNN) approach to identify money laundering activities within a large heterogeneous network constructed from real-world bank transactions and business role data belonging to DNB, Norway's largest bank. Specifically, we extend the homogeneous GNN method known as the Message Passing Neural Network (MPNN) to operate effectively on a heterogeneous graph. As part of this procedure, we propose a novel method for aggregating messages across different edges of the graph. Our findings highlight the importance of using an appropriate GNN architecture when combining information in heterogeneous graphs. The performance results of our model demonstrate great potential in enhancing the quality of electronic surveillance systems employed by banks to detect instances of money laundering. To the best of our knowledge, this is the first published work applying GNN on a large real-world heterogeneous network for anti-money laundering purposes.

연구 동기 및 목표

• 규칙 기반 자금세탁 방지(AML) 시스템의 한계를 해결하기 위해 고가짜 경고 비율, 수동 유지보수, 복잡한 자금세탁 패턴 탐지 부족 문제를 해결하고자 한다.
• 금융 네트워크에서 자금세탁범들이 종종 협동된 그룹으로 활동하는 점을 감안해, 그래프 신경망(GNN)이 관계 구조를 모델링할 잠재력을 탐색하고자 한다.
• 실생활 AML 데이터에 특화된 다중 노드 및 간선 유형(거래, 역할, 외부 엔티티 포함)을 갖춘 새로운 이질적 GNN 아키텍처(HMPNN)를 개발하고 평가하고자 한다.
• 이질적 그래프 구조 및 관계 정보를 통합할 경우, 기존 엔티티 기반 기계학습 모델 대비 탐지 정확도 향상이 이루어지는지 입증하고자 한다.
• 향후 금융 범죄 탐지 분야 연구를 위한 기초가 되는 개방형 HMPNN 모델 구현을 제공하고자 한다.

제안 방법

• 저자들은 실생활 DNB 은행 데이터에서 대규모 이질적 그래프를 구축하였으며, 개인, 조직, 외부 엔티티를 노드로, 거래, 공유 역할, 소유권을 간선으로 포함시켰다.
• 동일한 MPNN 프레임워크를 이질적 그래프로 확장하기 위해, 다양한 간선 유형과 메타패스를 구분하는 메시지 집계 메커니즘을 설계하여 유형 인식 가능한 전파를 가능하게 하였다.
• 새로운 메시지 집계 전략을 제안하여 각 간선 유형별로 별도로 메시지를 계산하고, 학습 가능한 가중치를 사용해 통합함으로써 복잡한 관계 구조에서의 표현 학습을 향상시켰다.
• 노드 특징은 네트워크 중심성, 가중도, 64차원 메타패스2벡터 임베딩에서 유도된 특징을 사용하여, 레이블이 부여된 거래 데이터를 기반으로 지도학습 방식으로 모델을 학습시켰다.
• 표준 분류 지표를 사용해 기준 모델(기본 MPNN, GNN 기반 모델인 HGraphSage, 엔티티 기반 신경망)과 HMPNN을 비교 평가하였다.
• 하이퍼파라미터는 임베딩 생성 및 메시지 전파에 최적화하여, PyTorch Geometric을 사용해 모델을 구현하였다.

실험 결과

연구 질문

• RQ1 대규모 실생활 금융 거래 네트워크에서 이질적 그래프 신경망이 자금세탁 패턴을 효과적으로 탐지할 수 있는가?
• RQ2 이질적 GNN의 성능은 기존 규칙 기반 시스템과 엔티티 기반 기계학습 모델 대비 어떻게 비교되는가?
• RQ3 거래, 역할, 외부 연결 등 다양한 간선 유형을 통합할 경우, 모델의 위험 행동 탐지 능력에 어떤 영향을 미치는가?
• RQ4 이질적 간선 유형을 고려한 새로운 메시지 집계 전략은 기존 MPNN 집계 방식 대비 탐지 성능 향상에 기여하는가?
• RQ5 메타패스2벡터 임베딩은 이질적 금융 그래프에서 자금세탁과 관련된 관계 패턴을 효과적으로 포착할 수 있는가?

주요 결과

• HMPNN 모델은 자금세탁 탐지에서 기준 MPNN 및 엔티티 기반 신경망 모델보다 뚜렷이 뛰어난 성능을 보이며, 이질적 그래프 구조를 모델링하는 것이 중요하다는 점을 입증한다.
• 교차 유형 메시지 집계(HMPNN-ct)를 적용한 HMPNN가 가장 높은 성능을 기록하여, 메시지 전파 시 간선 유형을 구분함으로써 표현 학습이 향상됨을 시사한다.
• 64차원 메타패스2벡터 임베딩을 노드 특징으로 통합함으로써 모델 성능이 크게 향상되었으며, 메타패스를 통한 구조적 패턴 학습의 가치를 입증한다.
• 다양한 평가 지표에서 모델 성능이 안정적이며, 규칙 기반 시스템 대비 고가짜 경고 비율이著격히 감소하여 경고 생성의 정밀도 향상이 이루어짐을 시사한다.
• HMPNN 모델은 실생활 데이터에 잘 일반화되며, 첫 번째 레이어의 매개수 3,071개로 대규모 금융 그래프에 대한 확장성을 보여준다.
• 저자들의 지식으로는 이는 실생활 AML 탐지에 대규모로 이질적 GNN을 적용한 최초의 발표된 논문으로, 향후 연구의 새로운 기준을 설정한다.