Minimisation de l'entropie structurelle combinant une représentation graphique pour l'identification du blanchiment d'argent

Résumé L'identification du blanchiment d'argent (MLI) est une tâche difficile pour la recherche et l'application de l'IA financière en raison de son volume massif de transactions, de la rareté des étiquettes et du biais d'étiquetage. La plupart des méthodes MLI existantes se concentrent sur un comportement anormal au niveau individuel tout en négligeant le facteur communautaire selon lequel le blanchiment d'argent est un crime de groupe collaboratif. De plus, le volume massif de transactions et le problème du déplacement des étiquettes entravent également l'application de modèles supervisés ou semi-supervisés. À cette fin, cet article propose un algorithme efficace orienté communauté, à savoir SEGE, pour identifier le blanchiment d'argent basé sur la minimisation de l'entropie structurelle (SEM) avec intégration de graphique dans une approche non supervisée. Des expériences sur un réseau de blanchiment d'argent réel privé et un ensemble de données synthétiques publiques montrent que notre algorithme SEGE offre des performances remarquables et surpasse les méthodes de représentation graphique basées sur l'apprentissage paramétré. De plus, nous constatons qu'il existe des sous-communautés omniprésentes dans le réseau de blanchiment d'argent réel. Sur la base de notre algorithme local, nous proposons une stratégie de combat réelle contre le groupe de blanchiment d'argent, dans laquelle, lorsqu'on dispose de plusieurs comptes suspects dispersés dans le réseau de transactions, nous sommes en mesure de récupérer l'ensemble du groupe de blanchiment d'argent par l'union des sous-communautés avec à la fois une haute précision et un taux de rappel élevé.