Redes neurais de grafos aplicadas à detecção de lavagem de dinheiro

• Ano de defesa: 2023
• Autor(a) principal: Silva, Ítalo Della Garza S
• Orientador(a): Correia, Luiz Henrique Andrade
• Banca de defesa: Correia, Luiz Henrique Andrade, Maziero, Erick Galani, Moreira, Mayron César de Oliveira, Macedo, Daniel Fernandes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: Departamento de Ciência da Computação
• País: brasil
• Palavras-chave em Português: Aprendizagem profunda; Crimes financeiros; Aprendizagem de máquina; Deep learning; Financial crimes; Machine learning
• Área do conhecimento CNPq: Sistemas de Computação
• Link de acesso: https://repositorio.ufla.br/handle/1/56843

Crimes financeiros existem em todos os países do mundo, e um dos mais recorrentes é a Lavagem de Dinheiro. Esta é capaz de causar enormes prejuízos, tanto financeiros quanto relacionados à reputação, às empresas e agências governamentais envolvidas no processo. Atualmente, tais organizações utilizam algoritmos envolvendo técnicas de Inteligência Artificial para detectar transações financeiras suspeitas de Lavagem de Dinheiro. No entanto, tais métodos geram várias transações suspeitas, sendo frequentemente necessária uma posterior avaliação humana para a confirmação da suspeição, aumentando os custos financeiros e o tempo gasto. A literatura tem apresentado métodos alternativos mais robustos para resolver esses problemas, frequentemente envolvendo técnicas de Machine Learning. Nesse cenário, uma vez que é possível representar transações financeiras por meio de grafos, métodos envolvendo Redes Neurais de Grafos (GNN) têm se mostrado uma solução promissora para a detecção de transações suspeitas de Lavagem de Dinheiro. É possível representar transações tanto como vértices quanto como arestas através de grafos, impactando na escolha do modelo de GNN para o processo de detecção. Este trabalho avalia as conhecidas arquiteturas de Rede Convolucional de Grafos (GCN) e Skip-GCN, assim como a recente Rede Neural de Nós e Arestas (NENN), para a solução do problema de detecção automatizada de Lavagem de Dinheiro, testando-as em transações financeiras geradas pelo simulador AMLSim. Foram geradas quatro bases de dados para testar a influência do desbalanceamento de classe sobre a qualidade da detecção: AMLSim 1/3, AMLSim 1/5, AMLSim 1/10, e AMLSim 1/20, com taxas de desbalanceamento de 3, 5, 10, e 20, respectivamente. Inicialmente, os modelos de GNN foram testados sobre todos os conjuntos de dados, com a classificação feita tanto por Softmax quanto por XGBoost. Em seguida, foi realizada uma otimização de hiperparâmetros nos modelos sobre a base de dados AMLSim 1/20, visando melhorar os resultados para a taxa de desbalanceamento mais alta. Foi também avaliado o aumento de precisão através da classificação feita pela combinação Softmax + XGBoost disposta em cascata de forma que o classificador seguinte confirmasse se a detecção de suspeição por parte do anterior. Nos resultados iniciais, embora os modelos GCN e Skip-GCN tenham se saído melhor no geral, a combinação NENN + XGBoost atingiu resultados melhores para o conjunto AMLSim 1/20, com uma macro-F1 de 86,69%, indicando a influência positiva da representação das transações como arestas do grafo. Após a otimização de hiperparâmetros, todos os modelos melhoraram seus resultados, sendo que a combinação com a F1 mais alta (88,77%) passou a ser Skip-GCN + Softmax. Com o uso da combinação de classificadores Softmax + XGBoost, o modelo Skip-GCN obteve a melhor F1 (88,90%).