点击蓝字 · 关注我们
近期，我院闵敏老师与我校信息管理与工程学院韩冬梅老师等合作者的论文“Beyond Single Transactions: D-EMAML—Dual-Edge Motif Neural Networks for Enhanced Anti-Money Laundering Detection”，被国际人工智能领域顶级会议AAAI-26录用，同时团队受邀做现场口头报告（Oral）。这是我院暨教育部“金融科技与安全治理”创新团队成立后，在促进学科交叉融合科研模式探索中取得的重要创新成果之一。论文详情请点击“阅读原文”获取链接。
论文菁华
图神经网络（Graph Neural Networks，GNN）在反洗钱（Anti-money laundering，AML）检测领域表现出色，对于金融风险控制至关重要。基序（motif）是指图中重复出现的核心结构与模式，被证明能够优化提升GNN的检测性能。然而现有的基序优化方法仅关注简单图上由特定点构成的元素，难以解决AML中异常交易检测问题。本研究首次将关注元素从单笔交易提升至由两笔序贯交易构成的基序，构建了高维图并设计了巧妙的GNN学习框架。实验结果进一步验证了该方法的有效性。
论文简介
论文题目：Beyond Single Transactions: D-EMAML—Dual-Edge Motif Neural Networks for Enhanced Anti-Money Laundering Detection
论文作者：Dongmei Han, Min Min, Yuchen Wang, Guoming Xu, Xiaofeng Zhou
收录会议：40th Association for the Advancement of Artificial Intelligence（AAAI）Conference on Artificial Intelligence（2026）
英文摘要：
Anti-money laundering (AML) detection is crucial in financial risk control. Although Graph Neural Networks (GNN) have yielded promising results, existing motif-based approaches primarily focus on node anomaly detection on simple graphs, which hinders the direct identification of anomalous edges in directed temporal transaction networks. Moreover, consecutive transaction relationships, termed dual-edge motifs, have rarely been considered in previous AML studies. To address these gaps, we propose the D-EMAML framework, which consists of: (1) Fast-Motif-Gen, a GPU-accelerated dual-edge motif graph generator with pruning; (2) D-EMGNN, an attention-enhanced heterogeneous GNN module that reduces motif-type information redundancy; (3) MELP, a label aggregation scheme projecting predictions from the motif graph to the original graph. Extensive experiments on real-world and synthetic datasets demonstrate significant improvements over representative baselines and validate the contribution of each component. To our knowledge, this is the first application of dual-edge motif graphs for GNN-based edge anomaly detection in AML.
中文翻译：
反洗钱（AML）检测在金融风险控制中至关重要。尽管图神经网络（GNN）已取得了良好成果，但现有基于基序的方法主要聚焦于简单图上的节点异常检测，这阻碍了在有向时序交易网络中直接识别异常边。此外，先前的反洗钱研究中，极少考虑被称为 “双边基序” 的连续交易关系。为解决这些不足，我们提出了 D-EMAML 框架，该框架包括：（1）快速基序生成器（Fast-Motif-Gen），一个带剪枝操作的 GPU 加速双边基序图生成工具；（2）双边基序图神经网络（D-EMGNN）， 一个注意力增强型异构图神经网络模块，可减少基序类型信息冗余；（3）标签聚合方案（MELP）， 将基序图上的预测结果映射到原始图的方法。在真实世界和合成数据集上的大量实验表明，该框架相较于主流基线模型有显著性能提升，并验证了各组件的有效性。这是首次将双边基序图应用于基于图神经网络的反洗钱边异常检测任务。
会议介绍
AAAI Conference on Artificial Intelligence
AAAI人工智能大会由人工智能促进会（AAAI）主办，是人工智能领域历史最悠久、涵盖内容最广泛的国际顶级学术会议之一，被中国计算机学会（CCF）和中国人工智能学会（CAAI）共同评为A类会议，其学术影响力与行业认可度享誉全球。第40届AAAI人工智能大会将于2026年1月20日至27日在新加坡博览中心（Singapore Expo）举办，吸引了清华大学、北京大学、斯坦福大学、卡内基梅隆大学等海内外顶尖研究机构的学者齐聚交流。本届会议主技术轨道共收到23,680篇投稿，最终仅4,167篇论文通过评审，整体录用率仅17.6%；而口头报告（Oral）作为顶会中含金量最高的展示形式，通常占比约为5%，足见该成果的学术创新性与行业价值。
作者简介
