コンテンツへスキップ
ライブラリの全資料

ルワンダのモバイルマネー不正検知に向けた実務的機械学習

記事 arXiv papers · 著者: Emmanuel Nahimana et al.
原文を読む

サマリー

この論文は、ルワンダのモバイルマネーにおけるマネーロンダリングを検出する取引監視フレームワークを開発しています。深刻なクラス不均衡、ラベル付けの遅れと不足、限られた調査能力に対処します。17種類のマネーロンダリング手口を含む900万件超の取引からなる合成データセットを使い、取引速度、資金フローの方向、取引相手の多様性、活動の急増など、口座単位の行動特徴量を構築します。教師あり分類器、異常検知器、オートエンコーダー、予測を組み合わせるモデルを比較評価します。

評価では、適合率・再現率曲線下面積、目標適合率での再現率、アラート件数を制限した場合の再現率、アラート率など、業務上の有用性に焦点を当てます。時系列順に分けたテスト期間では、融合モデルはPR-AUCでLightGBMをわずかに上回り、約91%の適合率で59件を検出しました。LightGBMは約89%の適合率で64件を検出しました。著者らはスコア帯をアナリストの審査やエスカレーションの手順に結び付け、実データでの検証を提案しています。結果は合成データに基づくため、実運用の監視での性能は未検証です。この研究の貢献は評価とガバナンスの枠組みであり、新しい検知アルゴリズムではありません。

主なアイデア

  • この枠組みは、極端なクラス不均衡、少ないラベル、限られた調査能力を想定しています。
  • 口座単位の特徴量で、取引の頻度、資金フローの方向、取引相手、活動の集中を要約します。
  • 複数の教師あり学習・異常検知手法を、予測融合モデルとあわせて評価しています。
  • 適合率とアラート数の制約下で、検知品質を実務指標で評価しています。
  • 報告結果は合成データに基づいており、実際の取引データで検証する必要があります。

タグ

機械学習統計リスク管理
全文
# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework


# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework









Mobile money has widened financial access across Sub-Saharan Africa and enlarged the surface for money-laundering and terrorism-financing (ML/TF) activity in ecosystems dominated by high-volume, low-value transactions. Rwanda is a case in point: several million active mobile-money users, telecom-led wallets on the MTN and Airtel networks, and a Financial Intelligence Centre (FIC) supervising transaction streams whose scale exceeds static rule-based monitoring. This paper develops and evaluates a transaction-monitoring framework aligned to the Rwandan AML/CFT regime under (i) extreme class imbalance (~0.1% prevalence), (ii) scarce and delayed labels, and (iii) bounded investigator capacity. Using SAML-D, a synthetic dataset of 9,504,852 transactions with 17 laundering typologies, we engineer account-centric behavioural features (rolling velocity, net-flow directionality, counterparty diversity, burstiness) and benchmark supervised classifiers (Logistic Regression, Random Forest, LightGBM), unsupervised anomaly detectors (Isolation Forest, Local Outlier Factor), a dense autoencoder, and a late-fusion meta-learner. Evaluation is operational: PR-AUC, recall at a calibrated ~90%-precision point, recall at top-K%, and alerts per 10,000. On the chronologically held-out test period, LightGBM attains PR-AUC = 0.0469, capturing 64 laundering cases at precision ~0.89 with 0.51 alerts per 10,000; the fusion stacker reaches PR-AUC = 0.0477 at precision ~0.91 and 0.46 alerts per 10,000, recovering 59 true positives. We map score bands to Rwanda-relevant analyst workflows and STR/SAR escalation, and outline a staged path from synthetic prototyping to real-data validation with the National Bank of Rwanda and FIC. The contribution is operational: a governance-aware pipeline and evaluation protocol calibrated to the constraints of an African mobile-money regulator, not a new algorithm.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。