Leveraging Time-Series Foundation Models for Financial Crime Detection

📄 arXiv: 2610.29667v1 📥 PDF

作者: Danae Natalie Savvidi, H. Çağrı Bilgi, Kubilay Atasu, Arie van Deursen

分类: cs.LG

发布日期: 2026-10-21

备注: 9 pages, 5 figures, 5 tables. Accepted at the ACM International Conference on AI in Finance (ICAIF '26), Milan, Italy

💡 一句话要点

提出时间序列基础模型以解决金融犯罪检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融犯罪检测 时间序列模型 图神经网络 边缘分类 反洗钱 数据增强 机器学习

📋 核心要点

  1. 现有的金融犯罪检测方法在捕捉时间序列信息方面存在不足，导致对可疑行为的识别能力有限。
  2. 本文提出的TCEE框架通过时间序列基础模型总结交易历史，增强交易表示，解决了时间信息利用不足的问题。
  3. 在多个数据集上，TCEE显著提高了PR-AUC，并且训练速度大幅提升，展示了其在金融犯罪检测中的有效性。

📝 摘要（中文）

金融犯罪检测需要在大型交易网络中识别非法活动，而可疑行为通常较为稀少且随时间展开。现有的基于图的方法虽然能够捕捉账户之间的关系，但通常未能充分利用账户交易历史中编码的时间行为。本文提出了时间上下文边缘增强（TCEE）框架，通过使用冻结的时间序列基础模型（TSFM）总结每个账户的交易历史，并利用这些总结为每个交易的表示增加相关的时间上下文。这些增强的表示可以直接用于边缘分类评分，或作为边缘特征输入图神经网络（GNN），以捕捉更广泛的结构信息。在六个AMLWorld数据集上，TCEE在五个数据集上相较于最强基线平均提高了10.8%的PR-AUC，同时端到端训练速度提升了6.0倍。将TCEE的表示输入GNN在四个较小的数据集上进一步提高了4.8%的PR-AUC。在以太坊钓鱼数据集上，TSFM生成的账户表示输入GNN同样有效，PR-AUC较最强基线提高了14.5%。

🔬 方法详解

问题定义：本文旨在解决金融犯罪检测中对时间序列信息的不足利用问题。现有方法主要依赖图结构，未能有效捕捉账户交易历史中的时间行为特征。

核心思路：提出的TCEE框架通过冻结的时间序列基础模型（TSFM）总结每个账户的交易历史，并为每个交易增强其表示，利用相关的时间上下文信息，从而提高可疑行为的检测能力。

技术框架：TCEE框架包括两个主要模块：首先，使用TSFM生成账户的交易历史总结；其次，将这些总结用于增强每个交易的表示，最终将增强后的表示用于边缘分类或作为GNN的输入。

关键创新：TCEE的核心创新在于将时间序列基础模型与图神经网络相结合，充分利用时间信息来增强交易表示，从而提升金融犯罪检测的准确性和效率。

关键设计：在设计中，TCEE采用了冻结的时间序列基础模型来处理交易历史，确保了时间信息的有效提取。同时，损失函数和网络结构经过优化，以适应边缘分类和节点分类任务的需求。

📊 实验亮点

在六个AMLWorld数据集上，TCEE在五个数据集上平均提高了10.8%的PR-AUC，并且训练速度提升了6.0倍。将TCEE的表示输入GNN后，在四个较小的数据集上进一步提高了4.8%的PR-AUC。此外，在以太坊钓鱼数据集上，PR-AUC较最强基线提高了14.5%。

🎯 应用场景

该研究在金融领域具有广泛的应用潜力，尤其是在反洗钱和金融欺诈检测方面。通过有效捕捉时间序列信号，TCEE框架能够帮助金融机构更准确地识别可疑交易，从而降低金融犯罪的风险。未来，随着时间序列基础模型的进一步发展，TCEE的应用范围可能会扩展到其他领域，如网络安全和供应链管理等。

📄 摘要（原文）

Financial crime detection requires identifying illicit activity within large transaction networks, where suspicious behaviour is rare and unfolds over time. Existing graph-based methods capture relationships among accounts but typically underuse the temporal behaviour encoded in account transaction histories. We introduce Temporal-Context Edge Enrichment (TCEE), a framework that addresses this gap by summarising each account's transaction history with a frozen time-series foundation model (TSFM), and enriching each transaction's representation with the relevant temporal context from these summaries. These enriched representations can be scored directly for edge classification, or fed into a graph neural network (GNN) as edge features to capture broader structural information. Across six AMLWorld datasets, TCEE improves PR-AUC over the strongest evaluated baseline on five by a relative 10.8% on average, while training 6.0x faster end-to-end. Feeding TCEE's representations into a GNN raises PR-AUC a further 4.8% on the four smaller datasets. On an Ethereum phishing dataset, we show that TSFM-generated account representations fed into a GNN are also effective for node classification, improving PR-AUC by 14.5% over the strongest baseline. As TSFMs continue to advance, our results suggest they can strengthen financial crime detection by capturing temporal signals that complement graph-based approaches.