Simpleform 研究論文獲第 40 屆人工智慧學會全國大會採納

Simpleform 株式会社（總部位於東京都目黑區，代表取締役 CEO 田代翔太，以下簡稱「本公司」）R&D 團隊所提交的論文「考量資訊不對稱之反洗錢（AML）偵測精度評估：使用模擬數據之量化評估」已被第 40 屆人工智慧學會全國大會（主辦單位：一般社團法人人工智慧學會，會期自 2026 年 6 月 8 日起）採納。該論文將在會議期間以海報形式發表，會後將於該學會官網公開。

本論文之主要研究發現如下：

・透過模擬數據量化顯示，在可觀察跨行所有交易的理想條件（Multi-Bank View），與僅限於單一銀行視角的現實條件（Single-Bank View）之間，反洗錢偵測精度存在巨大差異。
・即使在理想條件下表現優異的模型，一旦受限於單一銀行視角，偵測精度便會大幅下降。
・交易頻繁的「樞紐帳戶」特別容易因資訊缺失，導致單一銀行難以掌握其整體活動樣貌。
・藉由基於帳戶層級局部特徵重新設計模型，部分模型之偵測精度有所改善。

研究背景

許多反洗錢（AML）研究設計在可全面觀察所有銀行交易的前提下。然而，各銀行在金融交易實務中能參考的數據僅限於自行數據。本公司致力於打造所有法人都能公平連結的世界，透過自主收集的法人定性資訊，提供法人交易審查服務。我們在與金融機構合作中體認到，當資訊橫向結合時，能揭露單一金融機構難以察覺的風險。

研究結果與建議

研究顯示，受限於單一銀行視角，反洗錢偵測精度遠低於理想條件。特別是交易頻繁的樞紐帳戶，其資訊缺失問題更為嚴重。此精準度差異在結構上不可避免，單靠單一銀行努力難以解決。

研究結論指出，提升偵測精度需採取以下行動：

・構建兼顧隱私的銀行間數據共享平台。
・整合並活用客戶與交易屬性資訊。

這些努力不僅能提升個別銀行之偵測精度，更能擴大金融業整體的可觀察資訊量，實現更高精度的反洗錢偵測。本次發表將成為我們加速 AML 領域 AI 應用的起點，並計畫公開解析方法及研究數據，回饋金融產業界。