AI反洗钱可疑交易识别：图网络与可解释性

金融AI实验室近期围绕可疑交易识别做了一组实验：把传统规则引擎的强解释性与图神经网络的关系挖掘结合，用于反洗钱场景。数据侧使用脱敏后的账户、交易、设备与工商关联信息，构建“账户—交易—对手方”异构图，节点保留客户风险等级、开户时长等静态特征，边包含金额、频次、时段和渠道。模型采用时序图网络，按日滚动训练，输出可疑概率与关键子图，供调查员复核。

阶段性进展：在某股份制银行脱敏样本上，固定误报率下，召回较XGBoost基线提升约8个百分点；对“分散转入、集中转出”团伙的识别提前约2个工作日。当前问题集中在概念漂移与解释成本：新型账户行为会快速衰减模型效果。

下一步计划：1. 引入调查员反馈作为弱标签，按周增量更新；2. 将关键子图自动转成可读线索卡片，压缩人工排查时间。实验室暂不追求全自动处置，重点验证“模型排序+人工复核”的闭环是否稳定。