Компьютерные науки > Машинное обучение [представлено 21 октября 2026 года] Название: Models Levering-Series Foundation for Financial Crime View PDF HTML (экспериментальный) Резюме: Выявление финансовых преступлений требует выявления незаконной деятельности в рамках крупных сетей операций, где подозрительное поведение встречается редко и происходит с течением времени. Существующие методы, основанные на графике, охватывают взаимосвязи между счетами, но обычно не используют временной режим, зашифрованный в истории операций со счетом. Мы введем систему " Темпорал-Контекст эдж обогатительмент (TCEE), которая устраняет этот пробел, суммируя историю операций каждого счета с замороженной моделью временных рядов (TSFM) и обогащая представление каждой сделки соответствующим временным контекстом из этих резюме. Эти обогащенные представления могут быть оценены непосредственно для классификации по краям или введены в графовую нейронную сеть (ГНН) как острейшие характеристики, позволяющие получать более широкую структурную информацию. В шести наборах данных, касающихся борьбы с отмыванием денег во всем мире, TCEE повышает уровень PR-AUC по сравнению с самыми высокими оценками базового уровня на 5% в среднем на 10,8%, а тренировка 6,0x быстрее до конца. Получение представлений TCEE в GNN повышает PR-AUC еще на 4% на четыре более мелких набора данных. На наборе данных Etereum fhishing мы показываем, что генерируемые TSFM представления счетов, вводимые в GNN, также эффективны для…
Модели выявления финансовых преступлений
arXiv: 261 020.29667v1 Вид уведомления: новое резюме: обнаружение финансовых преступлений требует выявления незаконной деятельности в рамках крупных сетей операций, где подозрительное поведение встречается редко и происходит с течением времени. Существующие методы, основанные на графике, охватывают взаимосвязи между счетами, но обычно не используют временной режим, зашифрованный в истории операций со счетом. Мы введем систему " Темпорал-Контекст эдж обогатительмент (TCEE), которая устраняет этот пробел, суммируя историю операций каждого счета с замороженной моделью временных рядов (TSFM) и обогащая представление каждой сделки соответствующим временным контекстом из этих резюме. Эти обогащенные представления могут быть оценены непосредственно для классификации по краям или введены в графовую нейронную сеть (ГНН) как острейшие характеристики, позволяющие получать более широкую структурную информацию. В шести наборах данных по борьбе с отмыванием денег в мире TCEE повышает уровень PR-AUC по сравнению с самым высоким оценочным исходным показателем на 5% в среднем на 10,8%, а тренировка 6,0x быстрее до конца