Key points are not available for this paper at this time.
Die meisten aktuellen Systeme zur Bekämpfung von Geldwäsche (AML), die auf handgefertigten Regeln basieren, sind stark auf bestehende strukturierte Datenbanken angewiesen, die nicht in der Lage sind, versteckte und komplexe ML-Aktivitäten effektiv und effizient zu identifizieren, insbesondere solche mit dynamischen und zeitvariierenden Eigenschaften, was zu einem hohen Prozentsatz an falschen Positiven führt. Daher werden Analysten für weitere Untersuchungen engagiert, was die Kosten für Humanressourcen und die Bearbeitungszeit erheblich erhöht. Um diese Probleme zu mildern, präsentiert dieses Papier ein neuartiges Framework für die nächste Generation von AML, indem es Deep Learning-gesteuerte Technologien zur Verarbeitung natürlicher Sprache (NLP) auf verteilte und skalierbare Weise anwendet und visualisiert, um das Monitoring und die Untersuchung von AML zu unterstützen. Das vorgeschlagene verteilte Framework führt eine Sentimentanalyse von Nachrichten und Tweets, Entitätserkennung, Beziehungsabgleich, Entitätsverlinkung und Linkanalyse auf verschiedenen Datenquellen (z. B. Nachrichtenartikel und Tweets) durch, um menschlichen Ermittlern zusätzliche Beweise für die endgültige Entscheidungsfindung zu liefern. Jedes NLP-Modul wird an einem aufgabenspezifischen Datensatz evaluiert, und die Gesamtexperimente werden an synthetischen und realen Datensätzen durchgeführt. Rückmeldungen von AML-Praktikern deuten darauf hin, dass unser System die Zeit und Kosten im Vergleich zu ihren früheren manuellen Ansätzen der AML-Ermittlung um etwa 30 % reduzieren kann.
Han et al. (Mon,) haben diese Frage untersucht.