시계열 간선 중심 기법을 통한 그래프 기반 자금세탁방지 탐지 모델

국문 초록 (Abstract)

본 연구는 기존 자금세탁방지(AML) 시스템이 규칙 기반 탐지(rule-based detection)에 의존하여 새로운 자금 세탁 수법에 취약하고 False Positive 발생률이 높은 한계의 개선을 목표로 했다. 이를 극복하기 위해 그래프 신경망(GNN) 기반의 탐지 모델을 확장하는 방안을 연구하였다. Fraud Graph Transformer(FraudGT)의 구조적 강점을 계승하면서 거래 시간(Hour), 요일(Weekday), 거래 간 시간 차이(TimeDiff)와 같은 시계열 엣지 특성을 반영한 Edge-GAT(Edge-weighted Graph Attention Network) 모델을 제안하였으며, 이를 통해 기존 노드 중심(node-centric) 탐지 접근이 가지는 제약을 넘어 다단계 및 순환형 자금세탁 패턴을 정밀하게 탐지할 수 있도록 설계하였다.
연구 과정에서는 자금세탁의 정의와 절차, 기존 AML 시스템의 한계와 관련 법제적 배경을 검토하였고, 그래프 신경망의 발전 과정 및 FraudGT 모델의 특징을 종합하였다. 이어 IBM AML Synthetic Dataset을 활용해 Edge-GAT 모델을 설계하고 학습하였으며, 확장된 엣지 특성과 하이퍼파라미터 최적화를 적용해 성능을 평가하였다. 또한 기존 GAT, GCN, FraudGT와의 성능 비교를 통해 Precision, Recall, F1-score 지표에서 제안 모델의 성능을 검증하였다. 실험 결과 Edge-GAT은 기존 GAT 대비 약 11%p 높은 F1-score를 기록했으며 FraudGT보다도 향상된 성능을 보였다. 특히 시계열 엣지 특성을 반영했을 때 성능 개선 효과가 가장 뚜렷하게 나타났고, 일부 마스킹(masking)이나 변형된 손실 함수 적용은 제한적인 효과에 그쳤다. 본 연구는 또한 고심도(high-depth) 거래 탐지와 실시간 적용 가능성 측면에서 기존 모델보다 효율적임을 확인하였다.
자금세탁은 국제 금융 질서와 국가 안보를 위협하는 중대한 범죄이며, 이에 대응하기 위해 고도화된 탐지 기술은 필수적이다. 본 연구의 의의는 기존 노드 중심 AML 탐지의 한계를 극복하고, 시계열 엣지 기반 Edge-GAT 모델을 통해 복잡하고 은밀한 자금세탁 패턴을 정밀하게 탐지할 수 있는 방법론을 제시했다는 점에 있다. 향후 하이브리드 GNN–Transformer 아키텍처와 자기지도 학습(Self-Supervised Learning), 실제 금융 데이터 적용 등을 통해 다양한 거래 환경과 데이터 분포 변화에 대해서도 안정적인 탐지 성능을 유지할 수 있는 모델로의 확장 가능성과 실무 활용성을 더욱 강화할 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

This study analyzes the limitations of conventional Anti-Money Laundering (AML) systems, which heavily rely on rule-based detection and are therefore vulnerable to novel laundering techniques and prone to high false positive rates. To address these shortcomings, we propose an extension of Graph Neural Network (GNN)-based detection models. Specifically, we introduce an Edge-Weighted Graph Attention Network (Edge-GAT) that inherits the structural advantages of the Fraud Graph Transformer (FraudGT) while incorporating temporal edge features such as transaction hour, weekday, and inter-transaction time difference. By shifting beyond node-centric approaches, the proposed model is designed to detect multi-stage and cyclic money laundering patterns with greater precision.
The research process included a review of the definition and stages of money laundering, the limitations of existing AML systems, and the relevant regulatory background. We further examined the development of GNNs and the distinctive features of FraudGT. Using the IBM AML Synthetic Dataset, we designed and trained the Edge-GAT model, applying extended edge attributes and hyperparameter optimization to assess its performance. Comparative experiments with GAT, GCN, and FraudGT were conducted, evaluating Precision, Recall, and F1-score metrics. Results show that Edge-GAT achieved an approximately 11 percentage-point improvement in F1-score over baseline GAT and outperformed FraudGT as well. The inclusion of temporal edge features yielded the most significant performance gains, while additional techniques such as masking and modified loss functions showed only limited benefits. Moreover, the study confirms that Edge-GAT demonstrates superior efficiency in high-depth transaction detection and real-time applicability compared with existing models.
Money laundering is a major threat to the global financial system and national security, necessitating advanced detection technologies. The primary contribution of this study lies in overcoming the limitations of node-centric AML detection and presenting a time-aware, edge-centric framework capable of capturing complex and covert laundering patterns. Future research directions include exploring hybrid GNN–Transformer architectures, self-supervised learning, and the application of the proposed methodology to real-world financial data to further enhance generalizability and practical deployment.

목차 (Table of Contents)

• 1.서론 1
• 1-1. 자금세탁 문제의 심각성 1
• 1-2. 기존 GNN기반 탐지 기법의 한계 2
• 1-3. 연구의 필요성 및 차별성 4
• 1-4. 연구 범위 및 내용 6
• 2.이론적 배경 및 관련 연구 7
• 2-1. 자금세탁의 정의와 절차 7
• 2-2. 고객확인제도 9
• 2-3. AML 시스템의 역할과 한계점 10
• 2-4. 그래프 신경망 GNN의 기본 개념 11
• 2-5. GNN의 발전 흐름 13
• 2-6. 자금세탁 방지 GNN 적용 사례 15
• 2-7. 본 연구와의 비교 18
• 3.시계열 엣지특성을 반영한 Edge GAT 기반 자금세탁방지 20
• 3-1. 데이터 설명 20
• 3-2. 그래프 구성 방법 22
• 3-3. Edge-GAT 모델 설계 24
• 3-4. 평가 지표 및 실험 설계 26
• 4.결과 28
• 4-1. 실험환경 28
• 4-2. 모델학습 결과 및 해석 30
• 4-3. 결론 및 향후 과제 36
• 참고문헌 39
• ABSTRACT 44