arXiv发布洗钱骡子账户检测研究

2026年10月16日，arXiv人工智能板块发布Owais Ahmad与Anirudh Deodhar的论文，提出基于关系学习的账户级钱骡检测方法。该方法将银行关系型数据库直接视为异构图，以行作节点、外键作边，用逐列编码器、相对时间编码和HeteroGraphSAGE消息传递对账户打分，邻域仅限账户被标记前的记录行。研究在印度储备银行创新中心（RBIH）五年零售银行数据集上评估，该数据集含4亿笔交易、94,063个标注账户，其中2.6%为确认钱骡；对比对象为RelGNN、XGBoost、LightGBM和CatBoost，使用相同标签、划分与截断。结果显示，该检测器以83%精确率和0.5%误报率召回九成留出钱骡，比最强树模型多找出115个钱骡。论文称，在调优阈值下差距主要体现在召回：XGBoost和LightGBM在前一百条警报中领先，但只有图模型能在队列深处保持精确率。作者还表示，由于图即模式本身且每个账户评分带日期，该方法可直接部署于银行现有数据库，无需构建自定义特征图。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。