线索引导的洗钱团伙发现

arXiv cs.LG 论文
money-laundering graph-neural-networks anti-money-laundering anomaly-detection group-discovery clue-guided

摘要

本文提出Clue2Group，一种在金融网络中基于线索引导的洗钱团伙发现框架，利用图神经网络从初始线索逐步发现犯罪团伙。

arXiv:2606.26189v1 公告类型：新 摘要：洗钱团伙发现（MLGD）旨在识别大规模金融网络中的隐藏犯罪团伙并恢复其完整结构。现有的图异常检测方法主要产生节点级风险警报，而全局团伙发现方法被动地搜索整个网络中的可疑团伙。这两种方法都与真实的反洗钱（AML）调查不匹配，在真实调查中，分析师通常从一个具体线索开始，逐步扩展调查以恢复责任团伙。为弥补这一差距，我们提出线索引导的团伙发现（CGGD），通过分析师交互从初始线索集逐步恢复洗钱团伙。我们进一步提出Clue2Group框架，首先构建一个紧凑的局部调查上下文以减少噪声并保留链状和环状洗钱结构。然后通过一个多语义局部时序GNN估计线索条件的局部风险场，最后整合风险、结构及先验模式证据，以恢复一致的洗钱团伙。在两个大规模AML基准上的实验表明，Clue2Group为AML调查提供了实用的线索驱动分析框架，为弥合基于图的AML研究与实际调查流程之间的差距迈出了可行的一步。
查看原文
查看缓存全文

缓存时间: 2026/06/26 05:15 

# 线索引导的洗钱团伙发现
来源：https://arxiv.org/abs/2606.26189
查看 PDF（https://arxiv.org/pdf/2606.26189）

> **摘要：**洗钱团伙发现（MLGD）旨在识别大规模金融网络中隐藏的犯罪团伙并恢复其完整结构。现有的图异常检测方法主要生成节点级别的风险告警，而全局团伙发现方法则被动地在整个网络中搜索可疑团伙。这两种方法均与实际的反洗钱（AML）调查工作不匹配——在真实调查中，分析师通常从一条具体线索出发，逐步扩大调查范围，以还原负责的团伙。为弥补这一差距，我们提出线索引导的团伙发现（CGGD），该方法通过分析师交互，从初始线索集逐步还原一个洗钱团伙。我们进一步提出 Clue2Group 框架，该框架首先构建一个紧凑的局部调查上下文以降低噪声并保留链状和环状的洗钱结构，随后利用多语义局部时序图神经网络估计线索条件化的局部风险场，最后综合风险、结构及先验模式证据来还原一个连贯的洗钱团伙。在两个大规模反洗钱基准上的实验表明，Clue2Group 为 AML 调查提供了一种实用的线索驱动分析框架，是在弥合基于图的 AML 研究与实际调查工作流之间差距方面迈出的可行一步。

## 提交历史

来自：Boyang Wang \[查看邮件（https://arxiv.org/show-email/9961ac1e/2606.26189）\] **\[v1\]** 2026年6月24日星期三 13:57:22 UTC（3,547 KB）

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。

联邦图学习中的广义类别发现

arXiv cs.LG

本文介绍了 GCD-FGL，这是一种专为动态环境中的广义类别发现而设计的联邦图学习框架。该框架解决了邻域吸收效应和全局语义不一致性等挑战，从而提高了跨分布式客户端对新类别的检测能力。