[논문 리뷰] Scalable Graph Learning for Anti-Money Laundering: A First Look

Mark Weber, Jie Chen외 7명|arXiv (Cornell University)|2018. 11. 30.

Advanced Graph Neural Networks참고 문헌 13인용 수 72

한 줄 요약

The paper explores scalable graph neural networks for AML, introducing AMLSim for synthetic data and reporting preliminary results showing FastGCN is faster than GCN on a 1M-node, 9M-edge graph, with discussion on speed and memory optimizations.

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.

연구 동기 및 목표

• AML을 사회적 문제로 동기 부여하고 수작업/휴리스틱 방법을 넘어선 확장 가능한 분석의 필요성을 제시한다.
• 현재 AML 방법론을 검토하고 그래프 기반 딥러닝을 forensics 분석에 유망한 접근법으로 식별한다.
• 대규모 합성 AML 데이터에서 그래프 학습 기법의 예비 확장성을 시연한다.
• AML 규모의 그래프 학습을 위한 계산 및 메모리 고려사항을 조사한다.
• 초기 정량적 벤치마크를 제공하고 추가 최적화를 위한 기회를 모색한다.]
• method([
• method
• ["거래 네트워크에 대한 AML 배경과 그래프 기반 분석을 논의한다.","합성 AML 그래프(1M 노드, 9M 엣지) 및 시계열 데이터를 생성하기 위해 AMLSim을 도입한다.","의심도 분류를 위한 준지도 학습 노드 분류에 그래프 컨볼루션 네트워크(GCN)와 FastGCN을 적용한다.","합성 데이터에서 학습 시간과 수렴을 비교한다.","Ligra+를 이용한 그래프 압축을 탐구하여 메모리 효율성을 평가한다.","속도와 확장성을 개선하기 위한 희소 동적 재계산 및 데이터 지역성의 함의를 분석한다."]
• research_questions(GCN
• Epochs
• Training time

실험 결과

연구 질문

• RQ1 그래프 딥러닝 방법이 수백만 개의 노드와 엣지를 가진 대형 AML 그래프까지 확장될 수 있는가?
• RQ2 FastGCN과 같은 확장 가능한 그래프 모델이 정확도를 희생하지 않으면서 AML 설정에서 전통적 GCN에 비해 상당한 속도 향상을 제공하는가?
• RQ3 메모리 효율적인 그래프 표현 및 압축이 AML 그래프 학습 성능에 어떤 영향을 미치는가?
• RQ4 실시간 AML 분석을 위한 희소 동적 재계산 및 그래프 재정렬의 실용적 시사점은 무엇인가?

주요 결과

• FastGCN은 AMLSim 1M-node, 9M-edge 그래프에서 386초로 수렴했고 GCN은 611초로 수렴했다(동일한 32에포크).
• 학습 시간이 선형 스케일링일 때 억 단위 규모의 AML 그래프가 며칠이 걸릴 수 있음을 시사하며, 고성능 코드로 인한 잠재적 속도 향상을 강조한다.
• Ligra+ 그래프 압축은 다양한 그래프에서 최대 2배의 크기 감소를 달성하여 AML 그래프 학습의 메모리 효율성 이점을 시사한다.
• 예비 결과는 희소 동적 재계산과 메모리 의식적 그래프 표현이 AML 분석의 확장성과 지연을 개선할 수 있음을 나타낸다.
• AMLSim은 AML 그래프 학습의 확장성, 설명가능성 및 데이터 역학을 평가하기 위한 구조적으로 현실적인 합성 데이터를 제공한다.
• 본 연구는 그래프 딥러닝이 AML 작업 성능과 확장성에 강한 잠재력을 가진다는 가설을 지지한다.