🤖 machine learning

TED: Related Party Transaction guided Tax Evasion Detection on Heterogeneous Graph

Este artículo propone TED, un modelo novedoso de red neuronal de grafos que aprovecha grafos heterogéneos y un mecanismo de atención jerárquico para analizar las transacciones entre partes relacionadas, mejorando significativamente el rendimiento en la detección de evasión fiscal al capturar información interactiva compleja que los métodos estadísticos tradicionales pasan por alto.

Autores originales: Yiming Xu, Bin Shi, Bo Dong, Jiaxiang Wang, Hua Wei, Qinghua Zheng

Publicado 2026-05-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yiming Xu, Bin Shi, Bo Dong, Jiaxiang Wang, Hua Wei, Qinghua Zheng

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la economía global como un gigantesco y bullicioso mercado. En este mercado, la mayoría de las personas juegan según las reglas, pero algunos tenderos intentan ocultar sigilosamente sus beneficios para evitar pagar su parte justa de impuestos. Esto es evasión fiscal, y es como un ladrón robando del tesoro público, dejando menos dinero para escuelas, carreteras y hospitales.

Durante mucho tiempo, las autoridades fiscales intentaron atrapar a estos ladrones examinando los libros de contabilidad de cada tendero (sus datos financieros) y pidiendo a expertos que redactaran una lista de "señales sospechosas". Si un tendero tenía demasiadas banderas rojas, era marcado. Pero este método era como intentar encontrar una aguja en un pajar solo mirando el color de la aguja, ignorando el hecho de que la aguja podría estar oculta dentro de un tipo específico de caja.

Este artículo introduce una nueva y más inteligente forma de atrapar a estos evasores fiscales, llamada TED (Detección de Evasión Fiscal). Así es como funciona, explicado mediante analogías simples:

1. El Problema: No Es Solo Un Tendero

Los autores se dieron cuenta de que la evasión fiscal rara vez ocurre de forma aislada. Por lo general, implica una red de relaciones. Un tendero "malo" podría estar conectado con un proveedor "malo", un contador "malo" y un inversor "malo".

La Vieja Forma: Mirar a un solo tendero en el vacío.
La Nueva Forma (TED): Mirar toda la red de conexiones.

Los autores construyeron un mapa gigante llamado Grafo Heterogéneo. Imagina este mapa no solo como puntos y líneas, sino como una ciudad compleja con diferentes tipos de edificios:

Empresas (Las tiendas)
Personas (Los propietarios e inversores)
Artículos (Las mercancías que se venden)
Eventos (Las transacciones)

En esta ciudad, líneas conectan estos edificios. Una persona posee una empresa; una empresa compra artículos; una empresa vende a otra empresa.

2. El Desafío: Demasiado Ruido

El problema con este mapa de ciudad gigante es que es ruidoso. Hay millones de conexiones inocentes. Una empresa podría comprar un lápiz a otra empresa simplemente porque es un trato comercial normal. Si miras cada conexión, te abruma el ruido y te pierdes a los criminales reales.

El artículo identifica un tipo específico de conexión que es la "pistola humeante": Operaciones entre Partes Relacionadas (RPT).

Analogía: Imagina dos tenderos que son secretamente cuñados. Se venden mercancías entre sí a precios falsos para mover dinero y ocultar beneficios. Para un extraño, parece una venta normal, pero para el recaudador de impuestos, es una sospechosa "reunión familiar" de dinero.

3. La Solución: El Detective "TED"

Los autores crearon un sistema llamado TED que actúa como un detective superinteligente. No solo mira toda la ciudad; se centra en barrios específicos y sospechosos llamados Grupos RPT.

Así es como TED resuelve los dos problemas principales:

A. Filtrando el Ruido (El Filtro de "Alto Orden")

La mayoría de los programas informáticos miran a los vecinos que están a solo un paso de distancia (por ejemplo, "¿A quién vendió la Empresa A?"). TED mira más profundo. Busca Grupos RPT: patrones específicos de conexiones que se sabe que se utilizan para la evasión fiscal (como una persona que posee dos empresas que comercian entre sí).

La Metáfora: Imagina que buscas a un ladrón. Una búsqueda normal mira a todos los que pasaron junto al ladrón. TED ignora a la multitud y solo mira al "círculo íntimo" de cómplices del ladrón. Al centrarse en estos grupos específicos, TED filtra el "ruido" inocente de los negocios normales.

B. La Atención Jerárquica (La "Lupa Inteligente")

Una vez que TED encuentra estos grupos sospechosos, necesita averiguar qué partes del grupo son las más peligrosas.

Nivel Intra-RPT: TED mira dentro de un solo grupo sospechoso. Pregunta: "En este grupo de cinco personas, ¿quiénes dos están realizando el comercio más sospechoso?". Utiliza un mecanismo de atención multi-cabeza (imagínalo como tener múltiples lupas mirando desde diferentes ángulos) para ponderar la importancia de cada conexión.
Nivel Inter-RPT: Luego, TED mira a la empresa completa. Una empresa podría estar involucrada en cinco grupos sospechosos diferentes. TED pregunta: "¿Cuál de estos cinco grupos es la mayor amenaza?". Asigna un "peso" o puntuación a cada grupo para decidir cuánto debe influir en el veredicto final.

4. Los Resultados: Atrapando a Más Ladrones

Los autores probaron TED con datos reales de las oficinas fiscales de China. Lo compararon con otras 13 metodologías de primer nivel (como modelos de IA estándar y sistemas de reglas de expertos).

El Resultado: TED fue significativamente mejor atrapando a evasores fiscales. Mejoró la precisión de detección en aproximadamente un 7.6% y la puntuación F1 (una medida de qué tan bien equilibra atrapar ladrones sin acusar falsamente a personas inocentes) en un 8.5% en comparación con los mejores métodos existentes.
Por qué funcionó: Porque dejó de mirar puntos de datos aislados y comenzó a comprender las relaciones complejas y ocultas entre personas y empresas.

Resumen

Piensa en la detección de evasión fiscal como encontrar una aguja en un pajar.

Los métodos antiguos intentaban encontrar la aguja mirando el color de la paja.
TED se dio cuenta de que la aguja suele estar oculta dentro de una caja específica y de forma extraña (el grupo RPT). Ignora el resto del pajar, hace zoom en esas cajas y usa una lupa inteligente para ver exactamente qué parte de la caja contiene la aguja.

El artículo concluye que este método es tan efectivo que ya se ha aplicado a sistemas reales de gestión de riesgos en oficinas fiscales, demostrando que comprender el "quién conoce a quién" en el mundo empresarial es la clave para detener el fraude fiscal.

Resumen Técnico: TED: Detección de Evasión Fiscal Guiada por Transacciones con Partes Relacionadas en Grafos Heterogéneos

Enunciado del Problema
La evasión fiscal provoca pérdidas significativas de ingresos gubernamentales y altera la competencia económica justa. Si bien las soluciones de detección existentes dependen de características estadísticas diseñadas por expertos o de métodos basados en redes, a menudo no logran aprovechar plenamente la información rica e interactiva inherente a los escenarios fiscales. Específicamente, los métodos tradicionales tienen dificultades para modelar las relaciones complejas, compuestas y encubiertas entre los contribuyentes, particularmente dentro de los grupos de Transacciones con Partes Relacionadas (TPR). Además, los datos fiscales heterogéneos contienen un ruido sustancial, donde las relaciones irrelevantes oscurecen las señales necesarias para una detección precisa. El artículo aborda el desafío de detectar la evasión fiscal modelando los escenarios fiscales como grafos heterogéneos y aprovechando los grupos TPR para filtrar el ruido y capturar semánticas estructurales profundas.

Metodología: El Marco TED
Los autores proponen TED (Atención Jerárquica en Grafo Heterogéneo Guiada por TPR para la Detección de Evasión Fiscal), un modelo novedoso de Red Neuronal de Grafos (GNN) diseñado para operar en grafos heterogéneos que contienen múltiples tipos de entidades (por ejemplo, empresas, personas, artículos, eventos) y tipos de relaciones. El modelo opera a través de dos niveles jerárquicos principales:

Grupo TPR como Proximidad de Alto Orden:
En lugar de depender de metcaminos simples o vecinos de orden $k$ , TED define los grupos TPR (por ejemplo, Persona-Empresa-Empresa-Persona) como estructuras de proximidad de alto orden. Este enfoque filtra las relaciones ruidosas de bajo orden que son irrelevantes para la evasión fiscal, centrándose en cambio en grupos de transacciones complejos donde es más probable que ocurra la evasión fiscal.
Mecanismo de Atención Jerárquica:
Para capturar las influencias compuestas dentro y a través de estos grupos TPR, TED emplea un marco de atención de dos niveles:
- Nivel Interno-TPR: Este nivel extrae características de instancias individuales de grupos TPR que rodean un nodo objetivo. Utiliza un enfoque de coincidencia de subgrafos para identificar instancias y emplea un mecanismo de atención de múltiples cabezas para ponderar la importancia de diferentes nodos dentro de una instancia TPR específica. Agrega características de todos los vecinos dentro de la instancia, preservando la topología heterogénea en lugar de colapsarla en un grafo homogéneo.
- Nivel Transversal-TPR: Este nivel agrega información a través de diferentes grupos TPR. Dado que los diferentes grupos TPR contienen topologías y significados semánticos distintos, se utiliza un mecanismo de atención transversal-TPR para aprender la importancia relativa de cada tipo de grupo TPR para el nodo objetivo. Combina las características originales del nodo con las características TPR agregadas para calcular coeficientes de atención, produciendo finalmente una incrustación de nodo final.

El modelo se entrena utilizando un enfoque de aprendizaje semi-supervisado, minimizando la pérdida de entropía cruzada en datos de evasión fiscal etiquetados, mientras utiliza la estructura del grafo para propagar información a nodos no etiquetados.

Contribuciones Clave
El artículo describe tres contribuciones principales:

Modelado de Grafos Heterogéneos: Los autores son los primeros en estudiar la detección de evasión fiscal bajo un modelo de grafo heterogéneo que incorpora más de 10 tipos de nodos y relaciones, argumentando que esta representación integral mejora el rendimiento de detección en comparación con los métodos basados en características o grafos homogéneos.
Atención Jerárquica Guiada por TPR: La propuesta de utilizar grupos TPR como proximidad de alto orden para filtrar el ruido de bajo orden, junto con un modelo de atención jerárquica novedoso (niveles Interno-TPR y Transversal-TPR) para extraer información estructural y semántica profunda de relaciones complejas y encubiertas.
Aplicación y Evaluación en el Mundo Real: El método se aplicó a un sistema real de gestión de riesgos de una oficina tributaria china y se evaluó en dos conjuntos de datos fiscales reales etiquetados por humanos (T20H y T15S).

Resultados Experimentales
Los autores evaluaron TED frente a 13 líneas base de última generación, incluidos métodos de preservación de proximidad (por ejemplo, HIN2Vec, Metapath2vec), métodos de aprendizaje de relaciones (por ejemplo, TransE, DistMult), métodos de aprendizaje PU (por ejemplo, PUNE) y GNNs de paso de mensajes (por ejemplo, GCN, HAN, HGT).

Rendimiento: TED superó significativamente a todas las líneas base. En los conjuntos de datos T20H y T15S, logró mejoras promedio en la puntuación F1 del 8,50% y del 12,86%, y mejoras en la precisión del 7,61% y del 11,40% sobre los mejores métodos existentes, respectivamente.
Robustez: El modelo demostró estabilidad a través de diversas proporciones de muestras positivas (PSR) en el conjunto de entrenamiento, manteniendo un rendimiento superior incluso cuando los datos etiquetados eran escasos (por ejemplo, 10% de PSR).
Estudios de Ablación: Los experimentos confirmaron la necesidad de cada componente. La eliminación de los tipos de nodos heterogéneos (TED-hete), los mecanismos de atención (TED-att) o niveles específicos de atención (TED-inner, TED-cross) resultó en una degradación significativa del rendimiento.
Visualización: Las visualizaciones t-SNE mostraron que TED produjo una separación más clara entre empresas evasoras de impuestos y empresas normales en comparación con otros modelos, indicando un aprendizaje de representación superior.
Eficiencia: TED demostró una alta eficiencia, logrando un rendimiento comparable al de otros modelos en un tiempo de entrenamiento significativamente menor y mostrando escalabilidad lineal con el tamaño del grafo.

Significado y Afirmaciones
El artículo afirma que el significado principal de este trabajo radica en cambiar el paradigma de la detección de evasión fiscal, pasando de la extracción estática de características a un modelado dinámico y consciente de la estructura utilizando grafos heterogéneos. Al modelar explícitamente los grupos TPR como proximidades de alto orden, el método aborda eficazmente los desafíos de "relación ruidosa" y "relación compuesta" inherentes a los datos fiscales. Los autores afirman que su enfoque no solo mejora la precisión de la detección, sino que también proporciona un marco que puede integrarse en sistemas reales de gestión de riesgos fiscales. Concluyen que el mecanismo de atención jerárquica descubre con éxito la información semántica oculta dentro de las complejas redes fiscales, ofreciendo una solución robusta para un problema económico global. Se sugiere trabajo futuro para explorar el aprendizaje por refuerzo para la selección autónoma de grupos TPR significativos, reduciendo potencialmente la necesidad de intervención de expertos en el dominio.