[论文解读] Finding Money Launderers Using Heterogeneous Graph Neural Networks

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

Crime, Illicit Activities, and Governance被引用 4

一句话总结

本文提出了一种异构图神经网络（HMPNN），将消息传递神经网络（MPNN）扩展至大规模真实银行交易网络中以检测洗钱行为。通过建模多样化的节点类型与边类型（如个人、组织、交易/角色关系），并引入一种新型跨异构边的消息聚合策略，HMPNN 在基线模型上表现出更优性能，首次实现了异构图神经网络在反洗钱系统中的大规模应用，并取得了坚实的实证结果。

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.

研究动机与目标

• 为解决基于规则的反洗钱（AML）系统存在的高误报率、人工维护成本高以及难以检测复杂洗钱模式的局限性。
• 探索图神经网络（GNN）在建模金融网络中关系结构方面的潜力，因为洗钱者通常以协同群体形式运作。
• 开发并评估一种专为包含多种节点与边类型的现实世界AML数据设计的新型异构图神经网络架构（HMPNN），包括交易、角色及外部实体。
• 证明整合异构图结构与关系信息可提升检测准确率，相较于传统基于实体的机器学习模型更具优势。
• 为未来金融犯罪检测研究提供一个基础性的、开源的HMPNN模型实现。

提出的方法

• 作者基于真实DNB银行数据构建了一个大规模异构图，其中节点包括个人、组织和外部实体，边则表示交易、共享角色及所有权关系。
• 通过设计一种能区分不同边类型与元路径的消息聚合机制，将同质MPNN框架扩展至异构图，实现类型感知的传播。
• 提出一种新型消息聚合策略，按边类型分别计算消息，并使用可学习权重进行融合，从而提升在复杂关系结构中的表征学习能力。
• 模型在带标签的交易数据上采用监督学习进行训练，节点特征来源于网络中心性、加权度数以及64维的metapath2vec嵌入。
• 通过标准分类指标，将HMPNN与基线模型（包括标准MPNN、基于GNN的模型HGraphSage以及基于实体的神经网络）进行比较。
• 模型使用PyTorch Geometric实现，嵌入生成与消息传递的超参数均经过调优。

实验结果

研究问题

• RQ1 异构图神经网络能否在大规模真实金融交易网络中有效检测洗钱模式？
• RQ2 与传统基于规则的系统及基于实体的机器学习模型相比，异构GNN在AML检测中的性能如何？
• RQ3 引入多样化边类型（如交易、角色、外部链接）对模型识别可疑行为能力有何影响？
• RQ4 一种考虑异构边类型的新型消息聚合策略，是否相比标准MPNN聚合方式能提升检测性能？
• RQ5 metapath2vec嵌入能否有效捕捉异构金融图中与洗钱相关的结构模式？

主要发现

• HMPNN模型在检测洗钱行为方面显著优于基线MPNN和基于实体的神经网络模型，证明了建模异构图结构的重要性。
• 采用跨类型消息聚合的HMPNN（HMPNN-ct）性能最高，表明在消息传递过程中区分边类型可增强表征学习。
• 将64维的metapath2vec嵌入作为节点特征可显著提升模型性能，凸显了从元路径中学习结构模式的价值。
• 模型在多种评估指标下表现稳健，相比基于规则的系统显著降低了误报率，表明其在警报生成中具有更高的精确度。
• HMPNN模型在真实数据上泛化能力良好，第一层参数量为3,071，表明其可扩展至大规模金融图。
• 据作者所知，这是首篇公开发表的将异构GNN应用于大规模真实世界AML检测的工作，为未来研究设立了新基准。