线索引导的洗钱团伙发现
本文提出线索引导的团伙发现（CGGD）方法，通过分析师互动从初始线索逐步恢复洗钱团伙。Clue2Group框架构建局部调查环境，利用多语义局部时序图神经网络估计风险场，整合证据恢复团伙结构，在大型AML基准上验证有效性。
洗钱团伙发现（Money Laundering Group Discovery, MLGD）旨在从大规模金融网络中识别隐藏的犯罪团伙并恢复其完整结构，这对于反洗钱（Anti-Money Laundering, AML）工作至关重要。然而，现有的图异常检测方法主要生成节点级别的风险警报，而全局团伙发现方法则被动地在整个网络中搜索可疑团伙。这两种方式与真实的AML调查流程存在严重不匹配——在实际调查中，分析师通常从一个具体的线索出发，逐步扩展调查范围，最终找到并还原犯罪团伙。
为弥补这一差距，研究人员提出了线索引导的团伙发现（Clue-Guided Group Discovery, CGGD）范式。在该范式中，洗钱团伙通过分析师与系统的交互，从一个初始线索集逐步被恢复。基于CGGD，作者进一步提出了Clue2Group框架，该框架包含三个关键步骤：首先，构建一个紧凑的局部调查环境，以减少噪声干扰并保留链状和环状的洗钱结构；其次，利用多语义局部时序图神经网络（Multi-Semantic Local-Temporal Graph Neural Network）来估计线索条件下的局部风险场；最后，整合风险、结构以及先验模式等证据，恢复出一个连贯且完整的洗钱团伙。
实验方面，作者在两个大规模AML基准数据集上对Clue2Group进行了评估。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，有效缩小了基于图的AML研究与实际调查工作流程之间的差距。该工作有望提升金融监管机构在复杂金融网络中识别和打击洗钱活动的效率，并为未来的智能调查系统奠定基础。