IBM Multi-GNN 是 IBM 开源的反洗钱图神经网络项目，包含用于 AML 的多种 GNN 架构和适配代码。反洗钱天然是图问题：资金在账户、客户、商户、公司、设备、地址之间流动，单笔交易看起来可能正常，但在网络结构中可能暴露资金分层、循环转账、团伙账户、通道账户或异常集群。Multi-GNN 的意义在于把 AML 从单笔交易分类推进到交易网络建模。

对银行从业者来说，图神经网络不是为了追求算法炫技，而是因为洗钱行为往往故意拆分、绕转、伪装和分层。传统规则能发现部分简单模式，但图模型更适合从复杂关联中学习风险传播、邻居影响和网络结构异常。

• 专门面向 AML 的多图神经网络架构。
• 关注交易网络中的账户、边、邻居、结构模式和可疑资金流。
• 可作为反洗钱、团伙欺诈、资金链路分析的算法学习材料。
• Apache-2.0 协议，适合学习、研究和二次实验。

这个项目适合学习 AML 图建模的核心问题：图上的节点和边如何定义，交易金额和时间如何编码，标签稀缺如何处理，模型如何在关系网络中传播风险信号，为什么一个账户的风险不仅取决于自己，还取决于其上下游关系。

• 反洗钱可疑交易网络识别。
• 团伙账户、空壳公司、资金通道识别。
• 跨账户、跨设备、跨商户关联风险分析。
• 银行图风控和 AML 模型研发学习材料。

GNN 模型的解释性和监管可接受性仍是难点。真实 AML 图数据规模大、噪声多、标签少、隐私要求高，公开实验结果不能代表真实银行效果。落地时必须配合可解释规则、调查员反馈、图可视化、样本抽查和模型漂移监控。