arXiv cs.AI· Owais Ahmad, Anirudh Deodhar·· 2 天前AI 评分22
将洗钱骡子账户检测视为关系学习问题：基于 RBIH NFPC 数据集的研究
Money-Mule Detection as a Relational Learning Problem: A Study on the RBIH NFPC Dataset
AI 导读
研究将银行账户直接作为评分对象，把银行关系模式读作异构图（行是节点、外键是边），用逐列编码器、相对时间编码和 HeteroGraphSAGE 消息传递从多跳邻域打分，并将邻域限制在账户被标记前的数据。
正文 · AI 翻译
摘要：洗钱骡子网络通过许多小额转账转移犯罪资金，每一笔单独来看都很普通。一个账户被标记为骡子的特征并不存在于任何单笔转账中：而在于其网络所共享的交易对手和地址，以及其活动随时间的形态。生产系统仍主要基于规则，这两者都看不到，而大多数研究是对交易而非账户进行分类，只能事后通过聚合来恢复账户级风险。我们则直接对账户打分，将银行的关系模式视为一个异构图，其中行是节点，外键是边。每个账户通过逐列编码器、相对时间编码和 HeteroGraphSAGE 消息传递，从其多跳邻域中打分，并将该邻域限制在早于账户自身预标记截止时间的行，以确保没有模型看到账户被标记之后才记录的证据。在一个为期五年的 Reserve Bank Innovation Hub (RBIH) 零售银行数据集上，包含 4 亿笔交易和 94{,}063 个有标签账户，其中 2.6\% 被确认为骡子，我们与在相同标签、划分和截止时间上训练的 RelGNN、XGBoost、LightGBM 和 CatBoost 进行比较。我们的检测器在 83\% 的精确率和 0.5\% 的误报率下，找出了十分之九的留出骡子，在相同证据下比最强的树集成多找到 115 个骡子。在调优阈值下，差距主要体现在召回率上：XGBoost 和 LightGBM 在前一百个警报中领先，但只有图模型能在队列深处保持其精确率。由于图就是模式本身，且每个分数都按账户标注日期，该方法可直接部署在银行现有数据库上，无需构建自定义特征图。
| 主题： | 人工智能 (cs.AI) |
| 引用为： | arXiv:2610.21314 [cs.AI] |
| （或 arXiv:2610.21314v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21314 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Owais Ahmad [查看电子邮件]
[v1]
2026年10月15日星期四 06:02:39 UTC (151 KB)
来源：arXiv cs.AI · arxiv.org