面向融合出行-能源供应链网络的图驱动跨行业实时反洗钱监测框架

arXiv cs.LG 论文
cross-industry money-laundering graph-neural-network supply-chain real-time-monitoring

摘要

本文提出了一种面向跨行业供应链网络的图驱动实时反洗钱监测框架（GCRMF），利用异构图和时间注意力网络，实现了超过17.8%的F1分数提升。

arXiv:2605.18844v1 公告类型：新 摘要：随着出行与能源行业的深度融合，跨行业供应链金融逐渐成为隐藏洗钱事件的高风险领域。为此，本文提出了一种面向集成出行-能源供应链网络的图驱动跨行业实时反洗钱监测框架（GCRMF）。首先，构建了覆盖新能源汽车租赁平台、能源供应商、金融科技机构等的跨行业异构图（CIHG），并通过时间双重图注意力网络（Temporal Dual-Graph Attention Network）整合行业语义，动态编码资金流动路径及随时间演化的特征。随后，为识别合谋主体共同产生的结构性欺诈行为，提出了一种基于对比学习和分层图采样的元路径子图推理模块，以增强对跨行业重复洗钱行为的判别能力。同时，采用自监督在线学习机制，实现对新型洗钱策略的实时适应与持续优化。实验结果表明，与跨行业场景下现有的图神经网络方法相比，GCRMF的F1分数性能提升超过17.8%，并大幅降低了误报率。
查看原文

相似文章

基于图的金融欺诈检测：校准风险评分与结构正则化

arXiv cs.LG

本文提出了一种用于金融欺诈检测的图神经网络框架，该框架将交易记录和身份信息整合到节点属性中，采用多层消息传递机制，并利用加权监督和结构一致性正则化来改进风险评分和概率校准。在公共数据集上的实验表明，该方法优于现有方法。

用于监测和分类研究文献中数据使用的AI

arXiv cs.CL

本文提出了一种基于多任务GLiNER的框架，用于可扩展地监测研究文献中的数据集使用情况。该框架利用合成数据生成和基于LLM的重新验证，以解决提取、关系识别和使用分类中的挑战。

用于交通预测的全局-局部图注意力网络

arXiv cs.AI

提出了一种具有成对编码和基于事件的邻接矩阵的全局-局部图注意力网络（GLGAT）用于交通预测，有效捕捉时空相关性，并在真实数据集上取得了有竞争力的性能。