Học máy vận hành để phát hiện rửa tiền qua tiền di động tại Rwanda
Tóm tắt
Bài báo xây dựng khuôn khổ giám sát giao dịch nhằm phát hiện rửa tiền qua dịch vụ tiền di động tại Rwanda. Nghiên cứu xử lý tình trạng mất cân bằng lớp nghiêm trọng, nhãn đến muộn và hạn chế, cùng năng lực điều tra hữu hạn. Dùng bộ dữ liệu tổng hợp gồm hơn chín triệu giao dịch thuộc 17 kiểu rửa tiền, nghiên cứu xây dựng các đặc trưng hành vi ở cấp tài khoản như tốc độ giao dịch, hướng luồng tiền, mức đa dạng của đối tác và các đợt hoạt động đột biến. Nghiên cứu đối chiếu các bộ phân loại có giám sát, bộ phát hiện bất thường, bộ mã hóa tự động và mô hình kết hợp dự đoán.
Đánh giá tập trung vào tính hữu ích trong vận hành: diện tích dưới đường cong precision-recall, độ thu hồi tại mức precision mục tiêu, độ thu hồi trong giới hạn số lượng cảnh báo và tỷ lệ cảnh báo. Trong giai đoạn kiểm thử theo trình tự thời gian, mô hình kết hợp nhỉnh hơn LightGBM một chút về PR-AUC và đạt precision khoảng 91%, đồng thời phát hiện 59 trường hợp; LightGBM phát hiện 64 trường hợp với precision khoảng 89%. Các tác giả liên kết các khoảng điểm số với quy trình chuyên viên phân tích rà soát và chuyển cấp xử lý, đồng thời đề xuất xác thực phương pháp trên dữ liệu thực. Kết quả dựa trên dữ liệu tổng hợp nên hiệu suất giám sát thực tế chưa được xác minh; đóng góp là khuôn khổ đánh giá và quản trị, không phải một thuật toán phát hiện mới.
Ý chính
- Khuôn khổ được thiết kế cho tình trạng mất cân bằng lớp nghiêm trọng, nhãn khan hiếm và năng lực điều tra hạn chế.
- Các đặc trưng cấp tài khoản tóm tắt nhịp độ giao dịch, hướng luồng tiền, đối tác và hoạt động đột biến.
- Nghiên cứu đánh giá một số phương pháp có giám sát và phát hiện bất thường cùng mô hình kết hợp dự đoán.
- Các chỉ số vận hành đo lường chất lượng phát hiện trong giới hạn precision và số lượng cảnh báo.
- Kết quả được báo cáo dùng dữ liệu tổng hợp và cần được xác thực trên giao dịch thực.
Thẻ
Toàn văn
# 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.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.