反洗钱风控的线上建模，长期依托账户时间窗口完成风险判定。单个账户的固定时间区间内，通常包含多笔常规交易，风险行为仅零星出现在少数流水记录中。
行业现存两类主流建模方式
聚合运算抹平单点异常信号：对窗口内全部交易数据做求和、均值、分位数聚合处理，将批量交易数据压缩为单条账户维度特征，输入模型训练。该处理方式会抹平单条交易的细微异常信号，模型仅可输出账户风险结果，无法对应具体可疑交易。
图平滑弱化独立交易风险：以账户为节点、交易链路为边，构建资金网络结构。模型依靠邻域节点信息传递更新特征参数，结构特性会弱化单点交易异常，模型输出结果更适配团伙风险识别，对独立零星洗钱交易的捕捉存在局限。
交易级标注难以规模化产出：账户风险标签可通过监管记录、业务复核、案件归档持续积累。单条交易的风险标注，需要人工核查流水、核验资金链路、交叉取证比对，整体产出效率低，无法支撑大规模监督训练。
模型输出和稽核链路不匹配：风控系统输出高危账户名单后，工作人员需要逐笔排查窗口内全部交易流水，人工筛选风险线索。
多实例学习可作为反洗钱弱监督建模的落地方式之一
原始流水数据
↓
窗口切分（账户+时间窗口）
↓
交易特征提取
↓
[交易编码器] 独立编码每一笔交易
↓
逐维Max选择性池化
↓
账户分类头
↓
训练信号：账户标签（仅）
↓
推理输出：
账户风险分 ｜ 交易证据排序清单
模型采用统一编码器处理所有交易数据，对单条交易做独立特征映射。所有交易实例保留独立向量表征，不在编码阶段执行特征聚合，完整保留单笔交易的特征信息。
全部交易编码完成后，模型通过逐维最大池化方式完成特征融合，输出账户窗口的整体表征向量，接入分类结构完成账户风险判别。
模型训练过程仅使用账户窗口级别的二分类标签，不引入任何交易级别标注数据。训练阶段通过权重系数调整，平衡正负样本的数量分布差异。
公开数据集的对照实验设置多组基线模型，包含传统统计机器学习模型与图神经网络模型。在时序切分的测试条件下，该建模方式的平均精度优于同期基线模型。
对照实验同时设置交易标签监督训练的边分类器模型作为参照，仅依托账户标签训练的模型，交易排序效果与有监督边分类器输出结果基本持平。
消融实验记录显示，前置均值聚合的建模结构，识别精度出现明显回落。
适用范围
该建模方式存在固定适用范围。模型训练依托单实例正样本的学习假设，适配窗口内存在独立可识别异常交易的洗钱场景。
多笔常规交易组合构成的隐蔽风险、跨账户多层流转的团伙资金行为，无法通过该模型有效识别。模型的数据处理范围限定于单账户独立时间窗口，不涉及跨账户网络结构搭建，不具备团伙链路挖掘能力。
参考文献
Lim, S., Tae, I., Hong, G., Lee, J., Choi, J., Kim, T., Kim, M.-S., & Lee, Y. (2026). TRACK: Multiple instance learning for anti-money laundering in transaction networks. arXiv preprint arXiv:2611.06035.