TED: Related Party Transaction guided Tax Evasion Detection on Heterogeneous Graph
Dit artikel stelt TED voor, een nieuw model voor grafische neurale netwerken dat gebruikmaakt van heterogene grafen en een hiërarchisch attentiemechanisme om transacties tussen verbonden partijen te analyseren, waardoor de prestaties bij het opsporen van belastingontduiking aanzienlijk worden verbeterd door complexe interactieve informatie te vangen die traditionele statistische methoden missen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereldeconomie voor als een enorm, drukke markt. Op deze markt spelen de meeste mensen volgens de regels, maar sommige winkeliers proberen winst op listige wijze te verbergen om hun eerlijke aandeel in belastingen te ontduiken. Dit is belastingontduiking, en het is als een dief die steelt uit de openbare schatkist, waardoor er minder geld overblijft voor scholen, wegen en ziekenhuizen.
Lange tijd probeerden belastingautoriteiten deze dieven te vangen door de boeken (hun financiële gegevens) van individuele winkeliers te bekijken en experts te vragen een lijst met "verdachte signalen" op te stellen. Als een winkelier te veel rode vlaggen had, werd hij gemarkeerd. Maar deze methode was als het zoeken naar een naald in een hooiberg door alleen naar de kleur van de naald te kijken, en het feit te negeren dat de naald misschien verborgen zit in een specifiek type doos.
Dit artikel introduceert een nieuwe, slimmere manier om deze belastingontduikers te vangen, genaamd TED (Tax Evasion Detection). Hieronder wordt uitgelegd hoe dit werkt, met eenvoudige analogieën:
1. Het Probleem: Het Gaat Zelden Om Eén Winkelier
De auteurs realiseerden zich dat belastingontduiking zelden geïsoleerd plaatsvindt. Het gaat meestal om een web van relaties. Een "slechte" winkelier kan verbonden zijn met een "slechte" leverancier, een "slechte" boekhouder en een "slechte" investeerder.
- De Oude Manier: Naar één winkelier kijken in een vacuüm.
- De Nieuwe Manier (TED): Naar het volledige web van connecties kijken.
De auteurs bouwden een gigantische kaart genaamd een Heterogeen Grafiek. Stel je deze kaart niet voor als alleen stippen en lijnen, maar als een complexe stad met verschillende soorten gebouwen:
- Bedrijven (De winkels)
- Mensen (De eigenaren en investeerders)
- Goederen (De producten die worden verkocht)
- Gebeurtenissen (De transacties)
In deze stad verbinden lijnen deze gebouwen. Een persoon bezit een bedrijf; een bedrijf koopt goederen; een bedrijf verkoopt aan een ander bedrijf.
2. De Uitdaging: Teveel Ruis
Het probleem met deze gigantische stadskaart is dat het er ruis op zit. Er zijn miljoenen onschuldige connecties. Een bedrijf kan een potlood kopen van een ander bedrijf, gewoon omdat het een normale zakelijke deal is. Als je naar elke connectie kijkt, word je overweldigd door de ruis en mis je de echte criminelen.
Het artikel identificeert een specifiek type connectie dat de "rookende pistool" is: Transacties tussen Verbonden Partijen (RPT).
- Analogie: Stel je twee winkeliers voor die stiekem zwagers zijn. Ze verkopen goederen aan elkaar tegen nep-prijzen om geld te verplaatsen en winst te verbergen. Voor een buitenstaander lijkt het een normale verkoop, maar voor de belastingman is het een verdachte "familiehereniging" van geld.
3. De Oplossing: De "TED"-Detective
De auteurs creëerden een systeem genaamd TED dat fungeert als een super-slimme detective. Het kijkt niet alleen naar de hele stad; het richt zich op specifieke, verdachte wijken genaamd RPT-groepen.
Hieronder wordt uitgelegd hoe TED de twee hoofdproblemen oplost:
A. Het Filteren van Ruis (De "High-Order"-Filter)
De meeste computerprogramma's kijken naar buren die slechts één stap verwijderd zijn (bijvoorbeeld: "Aan wie heeft Bedrijf A verkocht?"). TED kijkt dieper. Het zoekt naar RPT-groepen—specifieke patronen van connecties die bekend staan als gebruikt voor belastingontduiking (zoals een persoon die twee bedrijven bezit die met elkaar handelen).
- De Metafoor: Stel je voor dat je op zoek bent naar een dief. Een normale zoektocht kijkt naar iedereen die langs de dief liep. TED negeert de menigte en kijkt alleen naar de "binnenkring" van medeplichtigen van de dief. Door zich te focussen op deze specifieke groepen, filtert TED de onschuldige "ruis" van normaal zakendoen eruit.
B. De Hiërarchische Aandacht (De "Slimme Vergrootglas")
Zodra TED deze verdachte groepen heeft gevonden, moet het uitzoeken welke delen van de groep het gevaarlijkst zijn.
- Binnen-RPT-niveau: TED kijkt naar binnen in een enkele verdachte groep. Het vraagt zich af: "In deze groep van vijf mensen, wie zijn de twee die het meest verdachte handelen?" Het gebruikt een multi-head attention-mechanisme (stel je voor als het hebben van meerdere vergrootglazen die vanuit verschillende hoeken kijken) om het belang van elke connectie te wegen.
- Kruis-RPT-niveau: TED kijkt vervolgens naar het hele bedrijf. Een bedrijf kan betrokken zijn bij vijf verschillende verdachte groepen. TED vraagt zich af: "Welke van deze vijf groepen vormt de grootste bedreiging?" Het wijst een "gewicht" of score toe aan elke groep om te beslissen hoeveel invloed deze moet hebben op het uiteindelijke oordeel.
4. De Resultaten: Meer Dieven Vangen
De auteurs testten TED op echte data van belastingkantoren in China. Ze vergeleken het met 13 andere toonaangevende methoden (zoals standaard AI-modellen en systemen met expertregels).
- Het Resultaat: TED was aanzienlijk beter in het vangen van belastingontduikers. Het verbeterde de detectienauwkeurigheid met ongeveer 7,6% en de F1-score (een maatstaf voor hoe goed het een evenwicht vindt tussen het vangen van dieven en het niet vals beschuldigen van onschuldige mensen) met 8,5% in vergelijking met de beste bestaande methoden.
- Waarom het werkte: Omdat het stopte met het kijken naar geïsoleerde datapunten en begon met het begrijpen van de complexe, verborgen relaties tussen mensen en bedrijven.
Samenvatting
Stel je belastingontduikingdetectie voor als het vinden van een naald in een hooiberg.
- Oude methoden probeerden de naald te vinden door naar de kleur van het hooi te kijken.
- TED realiseerde zich dat de naald meestal verborgen zit in een specifiek, vreemd gevormde doos (de RPT-groep). Het negeert de rest van de hooiberg, zoomt in op die dozen en gebruikt een slim vergrootglas om precies te zien welk deel van de doos de naald bevat.
Het artikel concludeert dat deze methode zo effectief is dat deze al is toegepast in echte risicomanagementsystemen bij belastingkantoren, wat bewijst dat het begrijpen van "wie wie kent" in de zakelijke wereld de sleutel is tot het stoppen van belastingfraude.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.