Earticle

초록

영어

This paper empirically analyzes the effect of combining Multi-GIN with Positive Edge Augmentation (PEA) on Anti-Money Laundering (AML) transaction detection. Money laundering is a global financial crime in which illicit proceeds are disguised as legitimate financial flows, and AML detection suffers from severe class imbalance. We adopt Multi-GIN as a directed multigraph backbone and apply PEA in the positive edge embedding space without altering the original transaction graph. Three PEA configurations based on Prototypical Networks, Manifold Mixup, and Virtual Adversarial Training are compared on the IBM AML HI-Medium dataset. Multi-GIN with Prototype-based PEA achieves the best F1 Score of 0.664, improving F1 Score by 0.029 and recall by 0.126 over the non-augmented baseline.

목차

Abstract
Ⅰ. 서론
1.1 연구 배경 및 문제 제기
1.2 연구 목적 및 분석 범위
Ⅱ. 이론적 배경
2.1 자금세탁 방지와 AML의 필요성
2.2 규칙 기반 및 전통적 머신러닝 기반 AML의 발전과 한계
2.3 AML 거래의 그래프 표현과 주요 자금세탁 패턴
2.4 GNN 기반 AML 탐지와 Multi-GIN
2.5 AML 데이터의 클래스 불균형과 기존 대응 방식의 한계
2.6 Positive Edge Augmentation의 이론적 기반
Ⅲ. 실증연구 설계
3.1 데이터셋과 시간 기반 분할
3.2 거래 그래프 구성과 입력 특징
3.3 Multi-GIN 기반 엣지 분류 모델
3.4 Positive Edge Augmentation 구성
3.5 학습 설정 및 평가 지표
Ⅳ. 실증연구 결과
4.1 전체 성능 비교
4.2 Multi-GIN과 PEA의 성능 개선 효과
4.3 PEA 구성별 분석
4.4 운영 관점에서의 해석
Ⅴ. 결론
참고문헌

키워드

저자

• 강경태 [ 동아대학교 경영정보학과 ]
• 이수민 [ 동아대학교 경영정보학과 ]
• 조용복 [ 동아대학교 경영정보학과 ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국경영정보학회 정기 학술대회 [KMIS Conference]

• 간기

  반년간

• 수록기간

  1990~2026

• 십진분류

  KDC 325 DDC 658