反洗钱可疑交易AI识别：图神经网络实验进展

针对传统规则引擎在反洗钱监测中误报率高、新型手法易漏检的问题，实验室近期开展了基于图神经网络（GNN）的可疑交易识别实验。我们将账户、交易、设备三类实体构建为动态异构图，通过时序采样与边特征聚合捕捉资金流转路径，并在合作机构提供的脱敏交易数据上完成首轮离线验证。阶段性进展：一、在召回率不低于现有规则引擎的前提下，可疑名单规模缩减约42%，有效降低人工甄别成本；二、对「快进快出」「分散转入、集中转出」等典型洗钱模式，识别准确率较基线规则提升约18个百分点。当前主要局限在于大图推理时延与正样本标签稀缺。下一步将引入半监督伪标签策略与图采样加速方案，并联合合规团队推进小流量灰度验证，重点评估模型在真实业务流中的稳定性与结果可解释性。