Fraud detection and anti-money laundering applying machine learning techniques in cryptocurrencies transactional graphs

Abstract

Cryptocurrencies have revolutionized financial transactions, but they have also introduced new opportunities for fraudulent activities. To combat this, anti-money laundering regulations and machine learning techniques are crucial for detecting suspicious transactions. Machine learning facilitates in-depth analysis, reduces false positives, and strengthens fraud defenses. This study explores using graph-based machine learning models to detect fraud in cryptocurrency transactions. By analyzing networks and using graph-based models, hidden patterns can be uncovered, fraudulent behavior can be identified, and anti-money laundering measures can be improved. Graph-based models are effective in detecting complex relationships and anomalies, making them valuable for uncovering fraudulent activity in transactional graphs. The research aims to compare traditional machine learning methods with graph-oriented approaches to determine which approach performs better in identifying illegal transactions, supporting regulatory compliance, and enhancing risk management. Therefore, in this research, three traditional approaches were implemented: Random Forest, Logistic Regression, and Multilayer Perceptron. These methods have been widely used and provide a solid baseline for comparison. Additionally, more advanced graph-based models were implemented, specifically the Graph Convolutional Network and a variation of it called the Skip-Graph Convolutional Network. Node embedding techniques were also employed to investigate whether they could enhance the performance of baseline methods. The results of this study revealed that the Random Forest algorithm outperformed all other methods, including the graph-based machine learning models, GCN, and Skip-GCN. Additionally, the application of node embedding techniques did not significantly improve the performance of the baseline machine learning methods. Despite the potential of node embeddings to capture latent features and enhance predictive capabilities, their implementation did not yield substantial improvements in this study.

As criptomoedas revolucionaram as transações financeiras, mas também introduziram novas oportunidades para atividades fraudulentas. Para combater isso, regulamentos para combate à lavagem de dinheiro e técnicas de aprendizado de máquina, que facilita a análise aprofundada, reduz os falsos positivos e fortalece as defesas contra fraudes, são cruciais para detetar transações suspeitas. Este estudo investiga o uso de modelos de aprendizado de máquina baseados em grafos para detetar fraudes em transações de criptomoedas. Esses modelos analisam as redes de transações e identificam padrões ocultos e comportamentos fraudulentos, melhorando as medidas de combate à lavagem de dinheiro. Comparando com métodos tradicionais de aprendizado de máquina, as abordagens baseadas em grafos são eficazes na deteção de relacionamentos complexos e anomalias, sendo valiosas para descobrir atividades fraudulentas em redes transacionais. O objetivo da pesquisa é determinar qual abordagem apresenta o melhor desempenho na identificação de transações ilegais, no suporte à conformidade regulatória e no aprimoramento da gestão de riscos. Portanto, nesta pesquisa, foram comparadas três abordagens tradicionais: Random Forest, Logistic Regression e Multilayer Perceptron, com dois modelos baseados em grafos: Graph Convolutional Network e uma variação chamada Skip-Graph Convolutional Network. Também foram exploradas técnicas de incorporação de nós para melhorar o desempenho dos métodos tradicionais. No entanto, os resultados mostraram que o algoritmo Random Forest teve um desempenho superior a todos os outros métodos, incluindo os modelos baseados em grafos. Além disso, a aplicação das técnicas de incorporação de nós não trouxe melhorias significativas.