Analyse de réseau pour la lutte contre le blanchiment d'argent — Une revue systématique de la littérature et une évaluation expérimentale

Le blanchiment d'argent constitue un défi omniprésent, pesant sur la société en finançant des activités illégales. L’utilisation des informations issues des réseaux est de plus en plus explorée afin de lutter plus efficacement contre le blanchiment, compte tenu de la nature interconnectée des acteurs impliqués. Cette évolution a entraîné une forte croissance des recherches sur l’analytique des réseaux (NA, Network Analytics) appliquée à la lutte contre le blanchiment (AML, Anti-Money Laundering). Toutefois, la littérature existante sur la NA pour l’AML demeure fragmentée, et une vue d’ensemble complète des travaux réalisés fait défaut. Cela entrave la compréhension des méthodes disponibles ainsi que leur pouvoir de détection comparatif. Ainsi, ce papier présente une revue de littérature exhaustive et originale, fondée sur 97 articles issus des bases de données Web of Science et Scopus, conduisant à une taxonomie conforme à un cadre récent d’analytique des fraudes. Nous constatons que la majorité des recherches s’appuie sur des règles basées sur l’expertise humaine et des caractéristiques manuelles, tandis que les méthodes d’apprentissage profond gagnent progressivement en popularité. Ce travail propose également un cadre complet pour évaluer et comparer de manière standardisée les performances des principales méthodes de NA. Nous l’appliquons à deux jeux de données publiques, en comparant les approches fondées sur l’ingénierie manuelle des caractéristiques, les méthodes basées sur les marches aléatoires et les méthodes d’apprentissage profond. Nos conclusions sont les suivantes : (1) l’analytique des réseaux améliore significativement la puissance prédictive, mais une prudence s’impose lors de l’application des réseaux de neurones de type GNN (Graph Neural Networks), notamment en raison de l’imbalanced des classes et de la topologie du réseau ; (2) il convient de faire preuve de vigilance vis-à-vis des données open source, car elles peuvent conduire à des résultats trop optimistes. L’implémentation open source proposée permet aux chercheurs et aux praticiens d’étendre ces résultats et d’expérimenter sur des données propriétaires, favorisant ainsi une approche standardisée pour l’analyse et l’évaluation de l’analytique des réseaux dans le cadre de la lutte contre le blanchiment.