روانڈا میں موبائل منی کی منی لانڈرنگ پکڑنے کے لیے عملی مشین لرننگ
خلاصہ
یہ مقالہ روانڈا کی موبائل منی میں منی لانڈرنگ کا پتا لگانے کے لیے لین دین کی نگرانی کا ایک فریم ورک پیش کرتا ہے۔ یہ کلاسوں کے شدید عدم توازن، لیبلز میں تاخیر اور ان کی محدود تعداد، اور تفتیشی صلاحیت کی حد کو ملحوظ رکھتا ہے۔ 90 لاکھ سے زیادہ لین دین کے مصنوعی ڈیٹا سیٹ میں 17 منی لانڈرنگ کی اقسام شامل ہیں؛ اس سے یہ کھاتوں کی سطح پر رویّے کی خصوصیات اخذ کرتا ہے، جیسے لین دین کی رفتار، رقوم کے بہاؤ کی سمت، لین دین کرنے والے مختلف فریقوں کی تعداد اور تنوع، اور سرگرمی میں مختصر وقفوں کے دوران اچانک اضافہ۔ اس میں زیرِ نگرانی درجہ بندی کرنے والے ماڈلز، بے قاعدگی کا پتا لگانے والے ماڈلز، ایک آٹو انکوڈر، اور پیش گوئیوں کو یکجا کرنے والے ماڈل کا تقابلی جائزہ لیا گیا ہے۔
جائزے میں عملی افادیت پر توجہ ہے: پریسیژن ریکال رقبہ، مقررہ پریسیژن پر ریکال، محدود تعداد کے الرٹس میں ریکال، اور الرٹس کی شرح۔ زمانی ترتیب کے مطابق ٹیسٹ مدت میں، فیوژن ماڈل PR-AUC کے لحاظ سے LightGBM سے قدرے بہتر ہے اور تقریباً 91% پریسیژن حاصل کرتا ہے، جبکہ 59 کیسز کی نشان دہی کرتا ہے؛ LightGBM تقریباً 89% پریسیژن کے ساتھ 64 کیسز کی نشان دہی کرتا ہے۔ مصنفین اسکور کی سطحوں کو تجزیہ کار کے جائزے اور معاملہ آگے بڑھانے کے طریقۂ کار سے جوڑتے ہیں اور حقیقی ڈیٹا پر اس طریقے کی توثیق کی تجویز دیتے ہیں۔ نتائج مصنوعی ڈیٹا پر مبنی ہیں، اس لیے لائیو نگرانی میں کارکردگی کی تصدیق نہیں ہوئی؛ اس کام کا حصہ ایک جائزہ اور گورننس فریم ورک ہے، کوئی نیا سراغ لگانے کا الگورتھم نہیں۔
اہم خیالات
- یہ فریم ورک طبقات کے شدید عدم توازن، کم دستیاب لیبلز اور تفتیشی صلاحیت کی محدودیت کے لیے بنایا گیا ہے۔
- اکاؤنٹ کی سطح کی خصوصیات لین دین کی رفتار، بہاؤ کی سمت، لین دین کے فریقوں، اور سرگرمی میں مختصر وقفوں کے دوران اچانک اضافے کا خلاصہ کرتی ہیں۔
- پیش گوئیوں کو یکجا کرنے والے ماڈل کے ساتھ کئی زیرِ نگرانی اور بے قاعدگی شناخت کے طریقوں کا جائزہ لیا گیا ہے۔
- عملی پیمانے پریسیژن اور الرٹس کی تعداد کی حد کے تحت شناخت کے معیار کو ناپتے ہیں۔
- رپورٹ کردہ نتائج مصنوعی ڈیٹا پر مبنی ہیں اور حقیقی لین دین پر توثیق درکار ہے۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔