[논문 리뷰] LineMVGNN: Anti-Money Laundering with Line-Graph-Assisted Multi-View Graph Neural Networks

Chung-Hoo Poon, James Kwok외 2명|arXiv (Cornell University)|2026. 03. 24.

Crime, Illicit Activities, and Governance인용 수 0

한 줄 요약

LineMVGNN은 방향(transaction) 그래프에 선-그래프 보조 다중 뷰 GNN을 도입하여 에지 수준 자금 흐름 정보를 전파하고 인접 이웃의 메시지를 통합함으로써 AML 탐지를 향상시킨다.

ABSTRACT

Anti-money laundering (AML) systems are important for protecting the global economy. However, conventional rule-based methods rely on domain knowledge, leading to suboptimal accuracy and a lack of scalability. Graph neural networks (GNNs) for digraphs (directed graphs) can be applied to transaction graphs and capture suspicious transactions or accounts. However, most spectral GNNs do not naturally support multi-dimensional edge features, lack interpretability due to edge modifications, and have limited scalability owing to their spectral nature. Conversely, most spatial methods may not capture the money flow well. Therefore, in this work, we propose LineMVGNN (Line-Graph-Assisted Multi-View Graph Neural Network), a novel spatial method that considers payment and receipt transactions. Specifically, the LineMVGNN model extends a lightweight MVGNN module, which performs two-way message passing between nodes in a transaction graph. Additionally, LineMVGNN incorporates a line graph view of the original transaction graph to enhance the propagation of transaction information. We conduct experiments on two real-world account-based transaction datasets: the Ethereum phishing transaction network dataset and a financial payment transaction dataset from one of our industry partners. The results show that our proposed method outperforms state-of-the-art methods, reflecting the effectiveness of money laundering detection with line-graph-assisted multi-view graph learning. We also discuss scalability, adversarial robustness, and regulatory considerations of our proposed method.

연구 동기 및 목표

• 지향 방향의 계정 기반 트랜잭션 그래프에서 AML 작업을 그래프 기반의 사기 탐지로 동기를 부여한다.
• 엣지 특징을 활용하여 인-이웃과 아웃 이웃 정보를 모두 사용하는 경량 MVGNN(MVGNN)을 개발한다.
• 에지 특징 전파 및 자금 흐름 모델링을 강화하기 위해 선-그래프 뷰를 도입한다.
• 실제 Ethereum 피싱 및 금융 결제 데이터 세트에서 LineMVGNN을 평가하고 최첨단 baselines와 비교한다.

제안 방법

• MVGNN 제안: 공유된 집계 맵을 사용하여 인-이웃과 아웃 이웃으로부터 합산하는 양방향 메시지 전달 스킴.
• 노드 업데이트 전에 에지 특징을 전파하기 위해 선-그래프 뷰를 MVGNN에 확장하고 크로스-스티치에서 영감을 받은 업데이트를 사용한다.
• 두 가지 변형: LineMVGNN-add(가중합 결합) 및 LineMVGNN-cat(연결 후 선형 계층으로 변환)으로 인-이웃 메시지와 아웃 이웃 메시지를 결합한다.
• 다층 임베딩을 결합하고 과도한 평활화를 완화하기 위해 개인화된 PageRank에서 영감을 받은 집계를 사용한다.
• (i) 명시적 선-그래프 전파를 갖는 표준 LineMVGNN, (ii) 선형시간 에지 중심 전파를 위한 선-그래프 구성을 명시적으로 하지 않는 정제된 LineMVGNN의 두 가지 구현 스키마를 제공한다.

실험 결과

연구 질문

• RQ1 선-그래프 기반 에지 전파가 방향 트랜잭션 그래프에서 불법 계정 탐지를 노드 중심 GNN과 비교해 향상시킬 수 있는가?
• RQ2 에지 특징과 함께 인-이웃 및 아웃 이웃 메시지를 모두 도입하는 것이 실제 데이터 세트에서 AML 성능을 향상시키는가?
• RQ3 LineMVGNN 변형(LineMVGNN-add 대 LineMVGNN-cat)은 정확도, 하이퍼파라미터에 대한 강건성 및 데이터 조건(구조적 특징이 있을 때/없을 때)에서 어떻게 비교되는가?

주요 결과

• LineMVGNN-cat은 평가된 데이터셋에서 일관되게 최첨단 불법 클래스 F1을 달성하며 ETH-Small, ETH-Large 및 FPT에서 SNF 유무에 관계없이 베이스라인을 능가한다.
• 두 가지 뷰 중 하나라도 제거하면 선-그래프 뷰나 양방향 메시지 전달이 제거되며 불법 클래스 F1이 저하되어 두 뷰의 효용을 보여준다.
• 매개변수를 공유하는 MVGNN 변형은 Dir-GNN 베이스라인과 일치하거나 능가하면서도 더 우수한 효율을 제공한다.
• LineMVGNN-cat은 임베딩 크기와 SNF 가용성에 덜 민감하며 특정 설정에서 SNF 없이도 FPT 데이터셋에서 불법 F1이 거의 0.99에 가깝거나 이를 넘는다.