在反洗钱（AML）的实际调查中，分析人员通常从一条具体的可疑线索出发，逐步扩展调查范围，最终还原出整个犯罪团伙的结构。然而，现有的图异常检测方法大多只输出节点级风险警报，而全局团伙发现方法则是在整个网络上被动搜索可疑群体，两者都与真实调查的工作方式存在明显错位。针对这一差距，一篇新发表于 arXiv 的论文提出了“线索引导的团伙发现”（Clue-Guided Group Discovery，CGGD）问题设定，并给出了名为 Clue2Group 的解决方案框架。
CGGD 的核心思想是将洗钱团伙的发现过程建模为从初始线索集合出发、通过分析人员交互逐步恢复团伙的渐进式过程。这与传统方法一次性输出全网风险排序或静态团伙列表不同，更贴近调查人员“顺藤摸瓜”的实际操作逻辑。论文指出，这种设定能够更好地衔接基于图的 AML 研究与真实调查工作流。
Clue2Group 框架包含三个关键步骤。第一步是构建一个紧凑的局部调查上下文。由于大规模金融网络中存在大量噪声，直接在全网范围内搜索效率低下且容易引入干扰，因此该方法先围绕线索构建局部子图，在压缩规模的同时尽量保留洗钱行为中常见的链状和环状结构。第二步是使用多语义局部时序图神经网络（GNN）估计以线索为条件的局部风险场。该模型同时考虑多种语义关系和时间维度，为局部上下文中的节点和边赋予风险分数。第三步是整合风险证据、结构证据和先验模式证据，从而恢复出一个连贯的洗钱团伙。这种多证据融合有助于提高团伙结构的完整性和准确性。
论文在两个大规模反洗钱基准数据集上进行了实验，结果表明 Clue2Group 为 AML 调查提供了一个实用的线索驱动分析框架。作者认为，该工作朝着弥合基于图的 AML 学术研究与实际调查流程之间的差距迈出了可行的一步。该论文提交于 2026 年 6 月 24 日，属于机器学习（cs.LG）领域，全文可通过 arXiv 获取。