Idioma
Python
Tipo de herramienta
Algoritmo
Licencia
Apache License, Version 2.0
Versión
252b025
IBM
Multi/GNN es una herramienta diseñada para la detección de lavado de dinero, que incluye modelos de Redes Neuronales de Grafos (GNN) como GIN, GAT, PNA y RGCN. Este repositorio proporciona las adaptaciones necesarias para aplicar estos modelos en el análisis de transacciones financieras. La herramienta se centra en experimentos relacionados con redes de grafos dirigidos y transacciones financieras sintéticas. Su objetivo es facilitar la investigación y el desarrollo de modelos efectivos para combatir el crimen financiero, contribuyendo así a la seguridad en el sector financiero.
La herramienta Multi-GNN resuelve el problema de la detección de lavado de dinero al proporcionar modelos de redes neuronales gráficas (GIN, GAT, PNA, RGCN) adaptados para identificar actividades financieras sospechosas. Está diseñada específicamente para mejorar la precisión en la identificación de delitos financieros en transacciones complejas.
La herramienta Multi-GNN para Anti-Money Laundering utiliza cuatro clases de modelos de redes neuronales gráficas (GIN, GAT, PNA, RGCN) para detectar delitos financieros. Está diseñada específicamente para el caso de uso de lavado de dinero, permitiendo experimentos con redes neuronales gráficas en multigrafos dirigidos.
Multi-GNN consume transacciones CSV y define la configuración experimental en archivos JSON y YAML. Basarse en estos formatos abiertos, legibles y ampliamente soportados permite que los modelos GNN se entrenen y repliquen en diferentes infraestructuras sin requerir bases de datos o software exclusivos.
Conéctese con el equipo de Código para el Desarrollo y descubra cómo nuestras herramientas de código abierto, cuidadosamente curadas, pueden apoyar a su institución en América Latina y el Caribe. Escríbanos para explorar soluciones, resolver dudas de implementación, compartir éxitos de reutilización o presentar una nueva herramienta. Escríbenos a [email protected]
Instrucciones para instalar el entorno con conda y formatear datos de Kaggle antes de entrenar modelos con Multi-GNN.
Instrucciones para ejecutar modelos GNN en Multi-GNN, incluyendo adaptaciones como MLPs, reverse message passing y numeración de puertos.
Lista de argumentos adicionales como barra de progreso, guardado de modelos, ajuste fino e inferencia con modelos previamente entrenados.
Visita el primer Banco de Evidencia de Seguridad y Justicia disponible en español y portugués, con evidencia sistematizada de casi 100 tipos de soluciones y 700 casos evaluados para prevenir el crimen y la violencia.