Hide and seek in transaction networks: a multi-agent framework for simulating and detecting money laundering activities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Detecting money laundering within financial networks presents a complex challenge due to the elusive behavior patterns of laundering agents, often resulting in data gaps. In this research, we propose a ‘Multiverse Simulation’ framework using a multi-agent system to generate synthetic datasets for anti-money laundering (AML) training and detection. This framework creates diverse virtual worlds, each with unique parameters to represent varying levels of illicit activity, thus mimicking the dynamics of money laundering and legitimate transactions. Our framework comprises two main types of agents: (1) the Detector, trained to identify laundering signs, and (2) Transaction agents, divided into those involved in laundering and those in legal transactions. These agents interact in a synthetic environment governed by rules that simulate real-world financial behaviors, enabling the generation of complex, realistic data. In the hide-and-seek multiverse simulation, the Detector learns to distinguish between licit and illicit transactions, a process refined by the evolving strategies of transaction agents to avoid detection. This adversarial setup fosters the co-evolution of laundering techniques and detection methods, enhancing system robustness. We demonstrate the efficacy of this approach by pre-training on synthetic cross-bank data, then evaluating with real-world data from the Elliptic dataset. Our results show that transfer learning significantly improves AML system performance, effectively bridging the gap between synthetic and authentic transaction patterns. The ‘Multiverse Simulation’ offers a scalable, dynamic approach to better understand and mitigate the gap between simulation and reality, contributing to more resilient and intelligent AML solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle