SynthFin-AML

SynthFin-AML是一个图原生的反洗钱（AML）基准数据集，代表了银行账户之间交易数据的10天合成快照。SynthFin-AML is a graph-native anti-money laundering (AML) benchmark dataset, representing a 10-day synthetic snapshot of transaction data between bank accounts.

原始信息汇总

SynthFin-AML 数据集详情

数据集简介

SynthFin-AML 是一个面向反洗钱（AML）场景的图原生基准数据集，模拟了银行账户间10天的合成交易快照。该数据集由 MIT 许可发布，完全合成，不含任何个人身份信息（PII），可安全用于商业和学术用途。

核心统计信息

• 节点数：100,000
• 边数：1,273,403
• 任务类型：传导式节点分类（Transductive Node Classification）
• 目标：基于交易图将节点分类为干净或欺诈实体

数据结构

节点（银行账户）

每个节点包含10个特征（拓扑与聚合特征），所有特征均经过 log1p 变换：

1. initial_balance（初始余额）
2. out_degree（出度）
3. in_degree（入度）
4. out_volume（转出总额）
5. in_volume（转入总额）
6. out_max_amt（最大转出金额）
7. in_max_amt（最大转入金额）
8. nbr_in_volume（邻居转入总额）
9. nbr_out_volume（邻居转出总额）
10. pagerank（PageRank值）

边（交易）

• 有向金融交易
• 边特征：amount（交易金额）

类别标签

• 0：干净（Clean）
• 1：欺诈（Fraud）

欺诈比例存在高度类别不平衡，反映了现实金融犯罪的分布特征。

合成泄漏问题与解决方案

现有合成AML数据集常包含分布泄漏，导致表格模型利用基础分布伪影（如原始金额方差）而非识别潜在的金融犯罪类型。SynthFin-AML 通过固定正常与非法活动的基础分布来修正这一问题，并程序化嵌入特定拓扑AML模式（如 Structuring 和 Smurfing）。因此，模型必须学习图结构和交易序列才能正确识别欺诈节点，从而防止表格基线模型的利用。

基准测试结果

评估采用5个随机种子，严格80/20传导式划分：

模型	模态	PR-AUC	P@100
LightGBM	表格（11个特征含PageRank）	0.8483 ± 0.0169	0.96
PyTorch GraphSAGE	图	0.8817 ± 0.0147	0.98

GraphSAGE 相比表格基线具有统计显著改进（p=0.000046）。

快速开始 / PyG封装

可通过 PyPI 安装数据集包：

bash pip install synthfin-aml

该包提供 PyTorch Geometric (PyG) 数据集封装，自动从 Hugging Face 下载图数据：

python from synthfin_aml_pkg import SynthFinDataset

初始化数据集，若未缓存则从Hugging Face下载

dataset = SynthFinDataset(root=./data) data = dataset[0]

print(f"Number of nodes: {data.num_nodes}") print(f"Number of edges: {data.num_edges}")

基准测试复现脚本位于仓库中的 examples/reddit_benchmark.py。

相关资源

• 在线实验：提供 Colab 教程笔记本（examples/benchmark_tutorial.ipynb）
• PyPI 包：synthfin-aml
• Hugging Face 数据集：ovvaliyev/synthfin-aml

搜集汇总

数据集介绍

构建方式

SynthFin-AML的构建旨在克服现有合成反洗钱数据集中广泛存在的分布泄漏问题，通过固定正常与非法活动的基础分布，并编程植入特定的图拓扑洗钱模式（如结构化拆分和 smurfing），生成一个包含100,000个节点（银行账户）与1,273,403条有向交易边的十日合成快照。每个节点拥有10个经log1p变换的拓扑及聚合特征，边则携带交易金额属性。类别标签将节点划分为清洗与欺诈两类，且欺诈比例极低，忠实再现真实金融犯罪的不平衡分布。

特点

该数据集的核心特色在于其‘图原生的反洗钱基准’定位，要求模型必须依托图结构与交易序列来识别欺诈节点，而非依赖简单的分布统计偏差。由此，图神经网络（如GraphSAGE）在此任务上较传统表格模型（如LightGBM）展现出显著的性能优势，PR-AUC提升至0.8817（p<0.05）。同时，数据完全合成、无个人隐私信息，且以MIT许可发布，保障了商业与学术使用的安全性与合规性。

使用方法

使用者可便捷地通过PyPI安装（pip install synthfin-aml），并借助内置的PyTorch Geometric封装类SynthFinDataset自动从Hugging Face下载数据，完成图数据加载。该封装返回一个包含节点特征、边索引及标签的Data对象，支持直接的归纳式节点分类实验。仓库还提供了基准测试脚本（examples/reddit_benchmark.py），可复现文献中报告的性能指标，便于研究者进行方法对比与验证。

背景与挑战

背景概述

SynthFin-AML 数据集由 Oktay Valiyev 等人于 2023 年创建，旨在为反洗钱（AML）领域提供高质量的图学习基准。该数据集模拟了十天内银行账户间的交易快照，包含 10 万节点和超过 127 万条边，每个节点具有拓扑与聚合特征，任务为转导式节点分类，区分正常与欺诈账户。其核心研究问题在于解决现有合成数据集中的分布泄漏问题，通过固定基础分布并嵌入结构化洗钱模式（如分层和化整为零），迫使模型学习图结构与交易序列，而非简单统计特征。该数据集在 AML 领域具有影响力，为图神经网络在金融犯罪检测中的应用提供了可信的评估平台，并已被 PyPI 和 Hugging Face 收录。

当前挑战

SynthFin-AML 所解决的领域挑战是 AML 中欺诈检测的复杂性，包括高类不平衡（欺诈比例极低）以及交易模式的隐蔽性，传统基于规则的检测难以捕捉复杂洗钱拓扑。构建过程中面临的关键挑战包括：避免合成数据的分布泄漏，确保正常与欺诈活动的特征分布相似，从而防止表格模型通过简单统计特征（如金额方差）作弊；同时需精确嵌入真实洗钱模式（如 Structuring 和 Smurfing），使数据集既反映现实又保持可学习性。此外，构建者需保证数据的合成性以消除隐私顾虑，并在 10 万节点规模下维护图结构的真实性与计算可行性。这些挑战在基准测试中得以体现，图模型（GraphSAGE）较表格模型（LightGBM）有显著提升，验证了数据集对结构学习能力的强调。

常用场景

经典使用场景

SynthFin-AML作为图原生的反洗钱基准数据集，其经典使用场景聚焦于图神经网络（GNN）的半监督节点分类任务。该数据集构建了一个包含10万个银行账户节点和超过127万条交易边的有向图，要求模型依据交易图谱的拓扑结构及节点聚合特征，精准区分合法账户与欺诈账户。这一场景不仅检验了模型对大规模图数据的处理能力，更对捕捉复杂金融犯罪模式（如拆分交易、分层交易）提出了严苛要求，成为评估GNN架构（如GraphSAGE）性能的试金石。

衍生相关工作

SynthFin-AML的发布催生了多项衍生研究。其基线实验（LightGBM vs GraphSAGE）证实了图模型优于表格模型，激发了后续对更复杂GNN架构（如Graph Transformer、异构图模型）的探索。数据集还促进了面向可解释性的反洗钱分析，研究者结合子图模式挖掘、注意力机制等，以增强模型决策的透明度。此外，其PyG封装和Hugging Face集成，降低了复现门槛，推动了标准化的AML基准测试生态，为算法公平比较和联合学习研究奠定了基础。

数据集最近研究

最新研究方向

SynthFin-AML数据集的最新研究方向聚焦于利用图神经网络（GNN）进行反洗钱（AML）检测，以克服传统表格模型对合成数据中分布泄漏的依赖。该数据集通过嵌入特定拓扑模式（如结构化拆分和蚂蚁搬家式转移）来模拟真实的洗钱行为，促使模型学习图结构与交易序列的深层特征。GraphSAGE等图模型在PR-AUC指标上显著优于LightGBM，展示了图学习方法在捕捉复杂金融犯罪模式中的优势。此研究不仅为AML领域提供了高质量基准，还推动了图数据在金融安全中的应用，具有重要的实践意义。