Navegar por:

Redes neurais de grafos aplicadas à detecção de lavagem de dinheiro

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/1142601
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCorreia, Luiz Henrique Andrade-
Autor(es): dc.contributorMaziero, Erick Galani-
Autor(es): dc.contributorCorreia, Luiz Henrique Andrade-
Autor(es): dc.contributorMaziero, Erick Galani-
Autor(es): dc.contributorMoreira, Mayron César de Oliveira-
Autor(es): dc.contributorMacedo, Daniel Fernandes-
Autor(es): dc.creatorSilva, Ítalo Della Garza S-
Data de aceite: dc.date.accessioned2026-02-09T11:34:15Z-
Data de disponibilização: dc.date.available2026-02-09T11:34:15Z-
Data de envio: dc.date.issued2023-05-19-
Data de envio: dc.date.issued2023-05-19-
Data de envio: dc.date.issued2023-05-18-
Data de envio: dc.date.issued2023-04-14-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/56843-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1142601-
Descrição: dc.descriptionFinancial crimes exist in all world countries, and one of the most recurrent ones is Money Laundering. It is capable of causing enormous damage, both financial and reputational, to the companies and government agencies involved in the process. Currently, such organizations use algorithms involving Artificial Intelligence techniques to detect suspicious Money Laundering financial transactions. However, such methods generate many suspicious transactions, often requiring a posterior human evaluation to confirm the suspicion, increasing financial costs and time spent. The literature has presented more robust alternative methods to solve these problems, often involving Machine Learning techniques. In this scenario, since it is possible to represent financial transactions through graphs, methods involving Graph Neural Networks (GNN) have proven to be a promising solution for detecting suspicious Money Laundering transactions. It is possible to represent transactions both as vertices and edges through graphs, impacting the choice of the GNN model for the detection process. This study evaluates the well-known Convolutional Graph Network (GCN) and Skip-GCN, as well as the recent Node and Edge Neural Network (NENN), for the Money Laundering automated detection problem solution, testing them in financial transactions generated by the AMLSim simulator. Four databases were generated to test the influence of class imbalance on detection quality: AMLSim 1/3, AMLSim 1/5, AMLSim 1/10, and AMLSim 1/20, with imbalance rates of 3, 5, 10, and 20, respectively. Initially, the GNN models were tested on all datasets, with the classification done by Softmax and XGBoost. Then, a hyperparameter optimization was performed on the models on the AMLSim 1/20 database, aiming to improve the results for the highest imbalance rate. The precision increase through classification performed by Softmax + XGBoost combination arranged in cascade was also evaluated so that the next classifier confirms the detection of suspicion by the previous one. In the initial results, although the GCN and Skip-GCN models performed better overall, the combination NENN + XGBoost achieved better results for the AMLSim 1/20 set, with a macro-F1 of 86.69%, indicating the positive influence of the representation of transactions as edges of the graph. After hyperparameter optimization, all models improved their results, and the combination with the highest F1 (88.77%) became Skip-GCN + Softmax. Using the combination of Softmax + XGBoost classifiers, the Skip-GCN model obtained the best F1 (88.90%).-
Descrição: dc.descriptionCrimes financeiros existem em todos os países do mundo, e um dos mais recorrentes é a Lavagem de Dinheiro. Esta é capaz de causar enormes prejuízos, tanto financeiros quanto relacionados à reputação, às empresas e agências governamentais envolvidas no processo. Atualmente, tais organizações utilizam algoritmos envolvendo técnicas de Inteligência Artificial para detectar transações financeiras suspeitas de Lavagem de Dinheiro. No entanto, tais métodos geram várias transações suspeitas, sendo frequentemente necessária uma posterior avaliação humana para a confirmação da suspeição, aumentando os custos financeiros e o tempo gasto. A literatura tem apresentado métodos alternativos mais robustos para resolver esses problemas, frequentemente envolvendo técnicas de Machine Learning. Nesse cenário, uma vez que é possível representar transações financeiras por meio de grafos, métodos envolvendo Redes Neurais de Grafos (GNN) têm se mostrado uma solução promissora para a detecção de transações suspeitas de Lavagem de Dinheiro. É possível representar transações tanto como vértices quanto como arestas através de grafos, impactando na escolha do modelo de GNN para o processo de detecção. Este trabalho avalia as conhecidas arquiteturas de Rede Convolucional de Grafos (GCN) e Skip-GCN, assim como a recente Rede Neural de Nós e Arestas (NENN), para a solução do problema de detecção automatizada de Lavagem de Dinheiro, testando-as em transações financeiras geradas pelo simulador AMLSim. Foram geradas quatro bases de dados para testar a influência do desbalanceamento de classe sobre a qualidade da detecção: AMLSim 1/3, AMLSim 1/5, AMLSim 1/10, e AMLSim 1/20, com taxas de desbalanceamento de 3, 5, 10, e 20, respectivamente. Inicialmente, os modelos de GNN foram testados sobre todos os conjuntos de dados, com a classificação feita tanto por Softmax quanto por XGBoost. Em seguida, foi realizada uma otimização de hiperparâmetros nos modelos sobre a base de dados AMLSim 1/20, visando melhorar os resultados para a taxa de desbalanceamento mais alta. Foi também avaliado o aumento de precisão através da classificação feita pela combinação Softmax + XGBoost disposta em cascata de forma que o classificador seguinte confirmasse se a detecção de suspeição por parte do anterior. Nos resultados iniciais, embora os modelos GCN e Skip-GCN tenham se saído melhor no geral, a combinação NENN + XGBoost atingiu resultados melhores para o conjunto AMLSim 1/20, com uma macro-F1 de 86,69%, indicando a influência positiva da representação das transações como arestas do grafo. Após a otimização de hiperparâmetros, todos os modelos melhoraram seus resultados, sendo que a combinação com a F1 mais alta (88,77%) passou a ser Skip-GCN + Softmax. Com o uso da combinação de classificadores Softmax + XGBoost, o modelo Skip-GCN obteve a melhor F1 (88,90%).-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Ciência da Computação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciência da Computação-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightsacesso aberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAprendizagem profunda-
Palavras-chave: dc.subjectCrimes financeiros-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectFinancial crimes-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSistemas de Computação-
Título: dc.titleRedes neurais de grafos aplicadas à detecção de lavagem de dinheiro-
Título: dc.titleGraph neural networks applied to money laundering detection-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação