AMLSim

新方法检测人工智能驱动的反洗钱系统中的不公平性

研究人员开发了反事实方法来检测用于反洗钱（AML）的机器学习算法中的不公平性。这些技术分析敏感特征对模型预测的直接和间接影响，旨在确保公平性。该研究使用了合成的IBM AMLSim数据集，并纳入了账户国家和平均行为等新特征，这提高了包括决策树和图神经网络在内的各种模型的性能。分析显示，从这些扩展特征中获益最多的模型也表现出更大的公平性违规，凸显了在关键AML应用中预测准确性与公平性之间的权衡。