マネーロンダリング対策（AML）の実際の調査では、アナリストは通常、具体的な手がかりから出発し、調査範囲を徐々に広げながら最終的に犯罪グループ全体の構造を明らかにする。しかし、既存のグラフ異常検知手法の多くはノード単位のリスクアラートを出力するだけであり、グローバルなグループ発見手法はネットワーク全体を対象に受動的に不審グループを探索する。どちらも、手がかりから始めて調査を拡大する実際のAML調査の進め方とは大きく乖離している。このギャップに対処するため、arXivに新たに掲載された論文は「手がかり主導グループ発見（Clue-Guided Group Discovery: CGGD）」という問題設定を提案し、Clue2Groupと名付けた解決フレームワークを提示している。
CGGDの中心的な考え方は、マネーロンダリンググループの発見を、初期の手がかり集合から出発し、アナリストとのインタラクションを通じてグループを段階的に復元するプロセスとしてモデル化することにある。これは、ネットワーク全体のリスクランキングや静的なグループリストを一度に出力する従来手法とは異なり、調査担当者が「手がかりをたどって芋づる式に広げる」実際の操作感覚に近い。論文は、この設定がグラフベースのAML研究と実際の調査ワークフローをよりよく結びつけると指摘している。
Clue2Groupフレームワークは3つの主要なステップで構成される。第一に、コンパクトな局所調査コンテキストを構築する。大規模金融ネットワークには大量のノイズが存在するため、ネットワーク全体を直接探索するのは非効率で妨害が入りやすい。そこで、手がかりを中心に局所サブグラフを構築し、規模を圧縮しつつ、ロンダリング行為に典型的な鎖状・環状構造をできるだけ保持する。第二に、マルチセマンティックな局所時間グラフニューラルネットワーク（GNN）を用いて、手がかり条件付きの局所リスク場を推定する。このモデルは複数の意味関係と時間軸を同時に考慮し、局所コンテキスト内のノードやエッジにリスクスコアを付与する。第三に、リスク証拠、構造証拠、事前パターン証拠を統合し、一貫性のあるマネーロンダリンググループを復元する。この多証拠融合により、グループ構造の完全性と正確性の向上が期待される。
論文では2つの大規模AMLベンチマークデータセットを用いた実験を行い、Clue2GroupがAML調査のための実用的な手がかり駆動型分析フレームワークを提供することを示した。著者らは、この研究がグラフベースのAML学術研究と実際の調査ワークフローの間のギャップを埋める実行可能な一歩になると述べている。本論文は2026年6月24日に投稿され、機械学習（cs.LG）分野に属し、全文はarXivから入手可能である。