[论文解读] Deep Set Classifier for Financial Forensics: An application to detect money laundering

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

Crime, Illicit Activities, and Governance被引用 4

一句话总结

本文提出了一种基于元学习的新型深度集合分类器，用于在标注数据有限的情况下检测加密货币洗钱行为。通过在小规模、动态演化的交易样本上逐步训练，该模型在性能上优于现有最先进方法，在金融稽查的低数据场景下展现出强大的泛化能力。

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.

研究动机与目标

• 解决在标注数据有限的情况下检测金融交易洗钱行为的挑战。
• 开发一种机器学习模型，能够识别高容量金融数据中的复杂且具有规避性的交易模式。
• 通过元学习在少样本学习场景下提升金融稽查中的检测准确率。
• 设计一种可扩展且自适应的框架，从逐步增加的交易样本中学习。
• 在数据稀缺条件下，超越现有算法在检测欺诈性加密货币交易方面的能力。

提出的方法

• 该模型采用深度集合架构处理无序交易集合，捕捉金融活动之间的关联模式。
• 使用元学习以实现仅用少量标注样本即可快速适应新出现的未见交易模式。
• 训练过程采用渐进式样本注入，使模型逐步接触更大规模的标注交易集。
• 通过为少样本分类任务（欺诈与合法交易）优化的损失函数，端到端训练网络。
• 通过注意力机制学习特征表示，以衡量集合中各交易的重要性。
• 在包含合成欺诈标签的真实世界加密货币交易数据集上对模型进行评估。

实验结果

研究问题

• RQ1 基于元学习的深度集合分类器是否能有效在标注数据有限的情况下检测金融交易中的洗钱行为？
• RQ2 渐进式样本注入在少样本金融欺诈检测中如何提升模型泛化能力？
• RQ3 所提出的模型在检测规避性洗钱模式方面，相较于现有最先进算法的性能提升程度如何？
• RQ4 该模型在金融稽查应用中对数据稀疏性和类别不平衡的鲁棒性如何？
• RQ5 基于集合的建模在捕捉洗钱检测中复杂交易关系方面有何影响？

主要发现

• 所提出的深度集合分类器在相同基准数据集上的检测准确率高于领先的科研算法。
• 即使在极少量标注训练样本下，该模型也表现出色，证实其在低数据场景下的有效性。
• 通过逐步增加样本规模进行训练，提升了模型的收敛速度与泛化能力。
• 元学习使模型能够快速适应新交易模式，减少了大规模重新训练的需求。
• 基于集合的架构有效捕捉了交易间的关联特征，提升了对复杂洗钱方案的检测能力。
• 在测试集上，该模型在精确率和召回率指标上均优于先前的最先进方法。