传统反洗钱系统的局限性

传统的反洗钱系统单独分析交易或使用简单的基于规则的启发式方法。虽然这些方法可以捕获基本的结构方案，但它们从根本上无法理解洗钱操作的网络性质。

考虑一个复杂的分层方案，其中资金通过不同机构的多个中介账户流动。传统系统可能会标记单个交易，但它无法看到更大的图景：所有这些看似无关的交易形成一个连接的网络，旨在掩盖非法资金的来源。

进入图神经网络

图神经网络 (GNN) 代表了我们处理 AML 检测方式的范式转变。 GNN 没有将交易视为独立事件，而是将整个金融系统建模为图表：

节点代表实体（客户、帐户、商家）
边缘代表实体之间的交易
特征包括交易金额、时间戳和行为模式

GNN 如何用于 AML

在 nerous.ai，我们使用带有注意力机制的 GraphSAGE（图形样本和聚合）架构。它的工作原理如下：

1.实体嵌入

交易网络中的每个实体都表示为 128 维向量嵌入。这种嵌入不仅捕获实体的直接属性，还捕获其在更广泛的网络中的位置和角色。

2.消息传递

GNN 在 3-5 层上执行消息传递。在每一层中，节点聚合来自邻居的信息。这使得模型能够“查看”多跳关系，例如，检测账户 A 向账户 B 发送资金，账户 B 发送资金至账户 C，账户 C 发送回账户 A 的关联方。

3.注意力机制

并非所有连接都同样重要。我们的注意力机制学会根据不同关系与洗钱模式的相关性来衡量不同关系的权重。例如，直接转移的权重可能与通过商家中介的转移不同。

真实世界的检测示例

分层方案

GNN 擅长检测分层，因为它们可以通过 10 多个分离度追踪资金。当非法资金通过多个空壳公司和账户转移时，即使个别交易看似合法，GNN 也会识别底层的关联结构。

骡子网络

钱骡网络形成了独特的图形模式：多个账户从不同来源接收资金，然后转发到一个共同的目的地。即使随着时间的推移逐渐招募骡子，GNN 也可以自动识别这些中心辐射模式。

基于贸易的洗钱

在 TBML 中，犯罪分子利用合法的贸易流来转移资金。 GNN 同时分析交易和贸易网络，识别支付模式何时与典型的贸易关系不匹配，例如循环交易模式或与商品流不匹配的支付。

技术架构

我们的生产 GNN 系统实时处理具有数十亿条边的图：

图采样：我们使用邻域采样来使大图的计算变得容易
批处理：为了提高效率，交易以 10,000 个小批量进行处理
增量更新：当新交易到达时，我们增量更新嵌入，而不是重新计算整个图
多GPU训练：模型训练分布在GPU集群上，以实现更快的迭代

结果和影响

自从部署基于 GNN 的检测以来，我们的客户已经看到：

增加 45%检测复杂的分层方案
减少 87%与基于规则的系统相比误报率
速度提高 10 倍自动网络可视化带来的调查时间
实时分析交易评分延迟低于 100 毫秒

挑战和未来方向

虽然 GNN 代表了重大进步，但挑战仍然存在：

可解释性：使合规官员和监管机构可以解释 GNN 决策
时间动力学：更好地建模网络如何随时间演变
跨机构网络：分析跨越多个金融机构的网络
隐私保护 GNN：在保护客户数据的同时实现协作检测

我们正在积极研究这些领域，我们的路线图包括时态 GNN 架构和用于跨机构协作的联邦学习方法。

结论

图神经网络代表了 AML 检测的未来。通过将金融系统建模为互连网络，GNN 可以检测逃避传统系统的复杂洗钱计划。随着犯罪分子不断发展他们的策略，基于图的人工智能方法对于保持领先地位至关重要。

在nerous.ai，我们的名字来自芬兰语，意为天才、独创性和才华，反映了我们致力于将创新思维引入金融犯罪预防的承诺。 GNN 只是我们如何应用尖端人工智能研究来解决现实世界的 AML 挑战的示例之一。

了解 AML 检测中的图神经网络