Контрастивное обучение на динамическом гетерогенном графе для выявления сговорного финансового мошенничества

Выявление сетей сговора в современной банковской сфере требует моделирования изменяющихся структурных взаимодействий между гетерогенными сущностями (клиентами, счетами и устройствами), а не изолированных признаков транзакций. Большинство детекторов мошенничества на основе графов предполагают наличие большого объёма размеченных данных, однако подтвержденные метки мошенничества в задачах противодействия отмыванию денег (AML) обычно поступают спустя несколько месяцев после событий. Мы предлагаем Audit-HCL — динамическую архитектуру гетерогенной графовой нейронной сети, использующую контрастивное обучение с двумя представлениями для эффективной работы в условиях дефицита меток. Audit-HCL представляет экосистему транзакций в виде временной последовательности снимков гетерогенного графа, кодирует их с помощью управляемого метапутями гетерогенного механизма внимания и отслеживает изменение поведения узлов посредством модуля временной динамики на основе GRU. Межпредставленческая контрастивная целевая функция согласует структурную и временную перспективы для легитимных узлов и одновременно разделяет аномальные узлы; при этом используется стратегия отрицательного семплирования с учётом аномалий. Эксперименты на двух общедоступных наборах данных (Elliptic и IBM AML-Synthetic) показывают, что Audit-HCL превосходит четырнадцать базовых методов на 3,2% по AUC-ROC и на 6,8% по F1-мере; преимущество над наиболее сильными конкурентами подтверждено парными тестами значимости. Кроме того, метод сохраняет полезную дискриминирующую способность при отсутствии меток мошенничества. На синтетическом наборе IBM AML он также выявляет схемы отмывания денег в среднем за 7,4 недели до подтвержденных событий (время упреждения лучшего базового метода), фиксируя постепенный структурный дрейф до начала крупномасштабных переводов средств. Однако величина этого упреждения зависит от контролируемых типологий синтетических данных и должна рассматриваться как ориентировочная, а не как гарантия для производственных AML-сред.