Idioma
Python
Tipo de ferramenta
Algoritmo
Licença
Apache License, Version 2.0
Version
252b025
IBM
Multi/GNN é uma ferramenta desenvolvida para detecção de lavagem de dinheiro por meio do uso de redes neurais gráficas. O repositório inclui quatro classes de modelos (GIN, GAT, PNA, RGCN) e adaptações específicas para identificação de crimes financeiros, baseadas em pesquisas recentes. Este recurso concentra-se exclusivamente em casos de uso de combate à lavagem de dinheiro e foi desenvolvido para experimentos em redes neurais gráficas poderosas e transações financeiras sintéticas realistas. É ideal para funcionários públicos e organizações que buscam melhorar a detecção de atividades financeiras ilícitas.
A ferramenta Multi-GNN para combate à lavagem de dinheiro resolve o problema de detecção de crimes financeiros usando modelos de redes neurais gráficas (GIN, GAT, PNA, RGCN). Esta solução permite identificar transações suspeitas e padrões de lavagem de dinheiro, melhorando a vigilância financeira em governos e organizações.
A ferramenta Multi-GNN para Combate à Lavagem de Dinheiro utiliza quatro classes de modelos de redes neurais de grafos (GIN, GAT, PNA, RGCN) para detectar crimes financeiros. Ela foi projetada especificamente para o caso de uso de combate à lavagem de dinheiro, permitindo experimentos com redes neurais de grafos em multigrafos direcionados.
O Multi-GNN consome transações CSV e define configurações experimentais em arquivos JSON e YAML. A utilização desses formatos abertos, legíveis e amplamente suportados permite que modelos GNN sejam treinados e replicados em diferentes infraestruturas sem a necessidade de bancos de dados ou softwares dedicados.
Consulte o equipamento de Código para o Desenvolvimento e descubra como nossas herramientas de código abertas, cuidadosamente curadas, podem se apoiar em sua instituição na América Latina e no Caribe. Escritores para explorar soluções, resolver dúvidas de implementação, compartilhar resultados de reutilização ou apresentar uma nova ferramenta. Escreva para [email protected]
Instruções para instalar o ambiente com conda e formatar dados do Kaggle antes de treinar modelos com o Multi-GNN.
Instruções para executar modelos GNN no Multi-GNN, incluindo adaptações como MLPs, reverse message passing e numeração de portas.
Lista de argumentos adicionais como barra de progresso, salvamento de modelo, fine-tuning e inferência com modelos treinados previamente.
Visite o primeiro Banco de Evidências de Segurança e Justiça disponível em espanhol e português, com evidências sistematizadas de quase 100 tipos de soluções e 700 casos avaliados para prevenir o crime e a violência.