Banca de DEFESA: ÍTALO DELLA GARZA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ÍTALO DELLA GARZA SILVA
DATA: 14/04/2023
HORA: 09:00
LOCAL: Sala de Videoconferencia
TÍTULO:

Redes Neurais de Grafos Aplicadas à Detecção de Lavagem de Dinheiro

PALAVRAS-CHAVES:

Aprendizagem Profunda. Crimes Financeiros. Aprendizagem de Máquina.

PÁGINAS: 65
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Software Básico
RESUMO:

Crimes financeiros existem em todos os países do mundo, e um dos mais recorrentes é a Lavagem de Dinheiro. Esta é capaz de causar enormes prejuízos, tanto financeiros quanto relacionados à reputação, às empresas e agências governamentais envolvidas no processo. Atualmente, tais organizações utilizam algoritmos envolvendo técnicas de Inteligência Artificial para detectar transações financeiras suspeitas de Lavagem de Dinheiro. No entanto, tais métodos gerar uma quantidade enorme de transações suspeitas, sendo frequentemente necessária uma posterior avaliação humana para a confirmação da suspeição, aumentando os custos financeiros e o tempo gasto. Para solucionar esses problemas, a literatura tem apresentado vários métodos alternativos mais robustos, frequentemente envolvendo técnicas de \textit{Machine Learning}. Nesse cenário, uma vez que é possível representar transações financeiras por meio de grafos, métodos envolvendo Redes Neurais de Grafos (GNN) têm se mostrado uma solução promissora para a detecção de transações suspeitas de Lavagem de Dinheiro. Por meio de grafos, é possível representar transações tanto como vértices quanto como arestas, o que impactará na escolha do modelo de GNN para o processo de detecção. Este trabalho avalia as conhecidas arquiteturas de Rede Convolucional de Grafos (GCN) e Skip-GCN, assim como a recente Rede Neural de Nós e Arestas (NENN), para a solução do problema de detecção automatizada de Lavagem de Dinheiro, testando-as em transações financeiras geradas pelo simulador AMLSim. Para testar a influência do desbalanceamento de classe sobre a qualidade da detecção, foram geradas quatro bases de dados, AMLSim 1/3, AMLSim 1/5, AMLSim 1/10 e AMLSim 1/20, com taxas de desbalanceamento de 3, 5, 10 e 20, respectivamente. Inicialmente, os modelos de GNN foram testados sobre todos os conjuntos de dados, tanto com a classificação sendo feita por Softmax quanto por XGBoost. Em seguida, foi realizada uma otimização de hiperparâmetros nos modelos sobre a base de dados AMLSim 1/20, visando obter uma melhoria nos resultados para a taxa de desbalanceamento mais alta. Objetivando aumentar a precisão, foi também avaliada a classificação através da combinação Softmax + XGBoost disposta em cascata, de forma que o classificador seguinte confirmasse se a detecção de suspeição por parte do anterior. Nos resultados iniciais, embora os modelos GCN e Skip-GCN tenham se saído melhor no geral, a combinação NENN + XGBoost atingiu resultados melhores para o conjunto AMLSim 1/20, com uma macro-F1 de 86,69\%, indicando a influência positiva da representação das transações como arestas do grafo. Após a otimização de hiperparâmetros, todos os modelos melhoraram seus resultados, sendo que a combinação com a F1 mais alta (88,77\%) passou a ser Skip-GCN + Softmax. Com o uso da combinação de classificadores Softmax + XGBoost, o modelo Skip-GCN obteve a melhor F1 (88,90\%).

MEMBROS DA BANCA:
Interno - MAYRON CESAR DE OLIVEIRA MOREIRA (Membro)
Presidente - LUIZ HENRIQUE ANDRADE CORREIA (Membro)
Externo ao Programa - ERICK GALANI MAZIERO - DAC/ICET (Membro)
Externo à Instituição - DANIEL FERNANDES MACEDO - UFMG (Membro)
Externo à Instituição - ALDRI LUIZ DOS SANTOS - UFMG (Suplente)
Interno - AHMED ALI ABDALLA ESMIN (Suplente)