[论文解读] Towards Artificial Intelligence Enabled Financial Crime Detection

Zeinab Rouhollahi|arXiv (Cornell University)|May 23, 2021

Crime, Illicit Activities, and Governance参考文献 79被引用 5

一句话总结

该论文提出了一种混合人工智能模型，结合监督分类与无监督异常检测，以在最小人工干预的情况下提升洗钱检测效果。通过使用逻辑与（AND）逻辑融合预测结果，该方法将精确率和F1分数提升至0.919，显著减少了误报数量和分析师工作量，同时保持了95.1%的高准确率。

ABSTRACT

Recently, financial institutes have been dealing with an increase in financial crimes. In this context, financial services firms started to improve their vigilance and use new technologies and approaches to identify and predict financial fraud and crime possibilities. This task is challenging as institutions need to upgrade their data and analytics capabilities to enable new technologies such as Artificial Intelligence (AI) to predict and detect financial crimes. In this paper, we put a step towards AI-enabled financial crime detection in general and money laundering detection in particular to address this challenge. We study and analyse the recent works done in financial crime detection and present a novel model to detect money laundering cases with minimum human intervention needs.

研究动机与目标

• 应对新冠疫情导致数字交易量上升背景下，金融犯罪（尤其是洗钱）日益增长的挑战。
• 通过减少可疑交易检测中的误报，降低对人工分析师审查的依赖。
• 开发一种可扩展、低人工干预的洗钱检测系统，利用人工智能与特征工程实现。
• 整合多种数据源与知识库，以丰富交易特征，提升检测准确性。
• 通过聚类与仪表板集成，为银行分析师提供动态、可视化的交易分段功能。

提出的方法

• 在标记的交易数据上应用监督机器学习（分类）以预测可疑案例。
• 使用无监督异常检测识别无预先标记情况下的异常交易模式。
• 通过逻辑与（AND）逻辑融合两种模型的结果，以减少误报并提高可疑案例的置信度。
• 对交易数据进行特征工程，包括地理位置、实体类型和交易行为等，且不预先加权特征。
• 使用肘部法（elbow method）对k-means聚类进行验证，以确认交易可被合理划分为两类：正常与可疑。
• 利用知识库（KBs）丰富原始交易数据，提升模型输入的特征表示质量。

实验结果

研究问题

• RQ1 人工智能模型如何减少在检测洗钱交易过程中的人员干预？
• RQ2 结合监督分类与无监督异常检测对检测性能有何影响？
• RQ3 在未预设权重的情况下，不同交易特征如何共同促进可疑行为的识别？
• RQ4 聚类技术能否验证交易被划分为可疑与正常两类的合理性？
• RQ5 集成的人工智能模型如何支持金融分析师的实时、动态监控与可视化？

主要发现

• 采用逻辑与融合的混合模型实现了0.919的F1分数，显著优于单一模型。
• 在结合分类与异常检测输出后，精确率提升至0.939，准确率达到0.951。
• 召回率为0.899，表明对实际洗钱案例的检测能力较强，同时有效减少了假阴性。
• 肘部法确认了交易数据中存在两个最优聚类，支持将交易二元化划分为正常与可疑。
• 该模型显著减少了误报数量，从而通过仅聚焦于高置信度可疑案例，降低了金融分析师的工作负担。
• 聚类与特征工程的整合支持了动态仪表板的开发，实现对交易的实时监控与分析师决策支持。