反洗钱（AML）监测是金融机构合规成本的主要来源之一：传统规则引擎产生的预警中，真实可疑交易占比通常不足5%，人工甄别负担沉重。本实验室近期围绕“图神经网络+大语言模型辅助甄别”开展实验性探索，在合作机构提供的脱敏交易数据上验证了阶段性效果。
进展要点：
- 在脱敏账户—交易流水上构建资金流转图，图神经网络结合交易时序特征输出可疑度评分，与现行规则引擎并行运行；在召回率基本持平的前提下，低优先级预警数量下降约37%，单笔甄别耗时明显缩短。
- 引入大语言模型对预警案例自动生成结构化甄别摘要（交易对手关系、资金路径、历史行为对比），辅助合规人员快速定位疑点，内测中摘要采纳率约80%。
下一步将扩大数据覆盖周期，重点验证跨账户、多跳资金链路的识别稳定性，并评估可解释性输出在监管报送场景的适用性。需要说明的是，上述结果均为实验环境结论，尚未用于生产决策。
评论