洗錢團伙發現（Money Laundering Group Discovery, MLGD）旨在從大規模金融網路中識別隱藏的犯罪團伙並恢復其完整結構，這對於反洗錢（Anti-Money Laundering, AML）工作至關重要。然而，現有的圖異常檢測方法主要生成節點級別的風險警報，而全域性團伙發現方法則被動地在整個網路中搜尋可疑團夥。這兩種方式與真實的AML調查流程存在嚴重不匹配——在實際調查中，分析師通常從一個具體的線索出發，逐步擴充套件調查範圍，最終找到並還原犯罪團伙。
為彌補這一差距，研究人員提出了線索引導的團伙發現（Clue-Guided Group Discovery, CGGD）正規化。在該正規化中，洗錢團伙透過分析師與系統的互動，從一個初始線索集逐步被恢復。基於CGGD，作者進一步提出了Clue2Group框架，該框架包含三個關鍵步驟：首先，構建一個緊湊的區域性調查環境，以減少噪聲干擾並保留鏈狀和環狀的洗錢結構；其次，利用多語義區域性時序圖神經網路（Multi-Semantic Local-Temporal Graph Neural Network）來估計線索條件下的區域性風險場；最後，整合風險、結構以及先驗模式等證據，恢復出一個連貫且完整的洗錢團伙。
實驗方面，作者在兩個大規模AML基準資料集上對Clue2Group進行了評估。結果表明，Clue2Group為AML調查提供了一個實用的線索驅動分析框架，有效縮小了基於圖的AML研究與實際調查工作流程之間的差距。該工作有望提升金融監管機構在複雜金融網路中識別和打擊洗錢活動的效率，併為未來的智慧調查系統奠定基礎。