反洗钱可疑交易AI识别：图神经网络与规则融合

传统反洗钱监测依赖规则引擎，误报率高、人工甄别成本大。金融AI实验室近期开展图神经网络与规则引擎融合的可疑交易识别实验，目标是在保持监管可解释性的前提下降低误报。方法上，将客户、账户与交易构建为动态图结构，用时序图神经网络学习资金流转模式，输出风险评分后再与规则引擎结果加权融合。在合作机构脱敏交易数据的阶段性回测中：1）同等召回率下，融合模型误报率较纯规则基线下降约37%，人工甄别工作量明显减少；2）基于特征贡献度的归因分析保留了对可疑资金路径的解释能力，满足合规审查需要。下一步计划：引入多跳资金链路样本，验证对拆分交易与多层转账的识别效果；与合规团队共建标注规范，扩充可疑案例库；探索风险评分与监管报送格式的对接方案。本实验目前处于离线验证阶段，未接入生产环境，相关结论以脱敏数据回测为准。