🤖 machine learning

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

Este artigo propõe o TED, um modelo inovador de rede neural em grafos que aproveita grafos heterogêneos e um mecanismo de atenção hierárquica para analisar transações entre partes relacionadas, melhorando significativamente o desempenho na detecção de evasão fiscal ao capturar informações interativas complexas que os métodos estatísticos tradicionais deixam passar.

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

Publicado 2026-05-27

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a economia global como um enorme e movimentado mercado. Neste mercado, a maioria das pessoas segue as regras, mas alguns comerciantes estão tentando esconder sorrateiramente seus lucros para evitar pagar sua parte justa de impostos. Isso é evasão fiscal, e é como um ladrão roubando do tesouro público, deixando menos dinheiro para escolas, estradas e hospitais.

Por muito tempo, as autoridades fiscais tentaram pegar esses ladrões examinando os livros contábeis de comerciantes individuais (seus dados financeiros) e pedindo a especialistas que escrevessem uma lista de "sinais suspeitos". Se um comerciante tivesse muitas bandeiras vermelhas, ele era sinalizado. Mas esse método era como tentar encontrar uma agulha num palheiro olhando apenas a cor da agulha, ignorando o fato de que a agulha pode estar escondida dentro de um tipo específico de caixa.

Este artigo apresenta uma nova e mais inteligente maneira de pegar esses evasores fiscais, chamada TED (Detecção de Evasão Fiscal). Eis como funciona, explicado através de analogias simples:

1. O Problema: Não É Apenas Um Comerciante

Os autores perceberam que a evasão fiscal raramente ocorre isoladamente. Geralmente envolve uma rede de relacionamentos. Um comerciante "ruim" pode estar conectado a um fornecedor "ruim", a um contador "ruim" e a um investidor "ruim".

O Jeito Antigo: Olhar para um comerciante isolado, no vácuo.
O Jeito Novo (TED): Olhar para toda a rede de conexões.

Os autores construíram um mapa gigante chamado Grafo Heterogêneo. Imagine este mapa não apenas como pontos e linhas, mas como uma cidade complexa com diferentes tipos de edifícios:

Empresas (As lojas)
Pessoas (Os proprietários e investidores)
Itens (As mercadorias sendo vendidas)
Eventos (As transações)

Nesta cidade, linhas conectam esses edifícios. Uma pessoa possui uma empresa; uma empresa compra itens; uma empresa vende para outra empresa.

2. O Desafio: Muito Ruído

O problema com este mapa de cidade gigante é que ele é ruidoso. Existem milhões de conexões inocentes. Uma empresa pode comprar um lápis de outra empresa apenas porque é um negócio normal. Se você olhar para cada conexão, fica sobrecarregado pelo ruído e perde os criminosos reais.

O artigo identifica um tipo específico de conexão que é a "prova irrefutável": Transações entre Partes Relacionadas (RPT).

Analogia: Imagine dois comerciantes que são secretamente cunhados. Eles vendem mercadorias um para o outro a preços falsos para movimentar dinheiro e esconder lucros. Para um estranho, parece uma venda normal, mas para o fisco, é um suspeito "reunião familiar" de dinheiro.

3. A Solução: O Detetive "TED"

Os autores criaram um sistema chamado TED que age como um detetive superinteligente. Ele não olha apenas para a cidade inteira; ele se concentra em bairros específicos e suspeitos chamados Grupos RPT.

Eis como o TED resolve os dois principais problemas:

A. Filtrando o Ruído (O Filtro de "Alta Ordem")

A maioria dos programas de computador olha para vizinhos que estão apenas a um passo de distância (por exemplo, "Para quem a Empresa A vendeu?"). O TED olha mais fundo. Ele procura Grupos RPT — padrões específicos de conexões que são conhecidos por serem usados para evasão fiscal (como uma pessoa possuindo duas empresas que negociam entre si).

A Metáfora: Imagine que você está procurando um ladrão. Uma busca normal olha para todos que passaram perto do ladrão. O TED ignora a multidão e olha apenas para o "círculo interno" de cúmplices do ladrão. Ao focar nesses grupos específicos, o TED filtra o "ruído" inocente dos negócios normais.

B. A Atenção Hierárquica (A "Lupa Inteligente")

Uma vez que o TED encontra esses grupos suspeitos, ele precisa descobrir quais partes do grupo são as mais perigosas.

Nível Interno-RPT: O TED olha dentro de um único grupo suspeito. Ele pergunta: "Neste grupo de cinco pessoas, quais dois estão fazendo a negociação mais suspeita?" Ele usa um mecanismo de atenção multi-cabeça (pense nisso como ter várias lupas olhando de diferentes ângulos) para ponderar a importância de cada conexão.
Nível Cruzado-RPT: O TED então olha para a empresa inteira. Uma empresa pode estar envolvida em cinco grupos suspeitos diferentes. O TED pergunta: "Qual desses cinco grupos é a maior ameaça?" Ele atribui um "peso" ou pontuação a cada grupo para decidir o quanto ele deve influenciar o veredito final.

4. Os Resultados: Pegando Mais Ladrões

Os autores testaram o TED em dados reais de repartições fiscais na China. Eles o compararam com 13 outros métodos de ponta (como modelos padrão de IA e sistemas de regras de especialistas).

O Resultado: O TED foi significativamente melhor em pegar evasores fiscais. Ele melhorou a precisão de detecção em cerca de 7,6% e a pontuação F1 (uma medida de quão bem ele equilibra a captura de ladrões sem acusar falsamente pessoas inocentes) em 8,5% em comparação com os melhores métodos existentes.
Por que funcionou: Porque deixou de olhar para pontos de dados isolados e começou a entender as relações complexas e ocultas entre pessoas e empresas.

Resumo

Pense na detecção de evasão fiscal como encontrar uma agulha num palheiro.

Métodos antigos tentavam encontrar a agulha olhando para a cor do palha.
TED percebeu que a agulha geralmente está escondida dentro de uma caixa específica e de formato estranho (o grupo RPT). Ele ignora o resto do palheiro, dá zoom nessas caixas e usa uma lupa inteligente para ver exatamente qual parte da caixa contém a agulha.

O artigo conclui que este método é tão eficaz que já foi aplicado a sistemas reais de gestão de riscos em repartições fiscais, provando que entender o "quem conhece quem" no mundo dos negócios é a chave para parar a fraude fiscal.

Resumo Técnico: TED: Detecção de Evasão Fiscal Guiada por Transações entre Partes Relacionadas em Grafos Heterogêneos

Declaração do Problema
A evasão fiscal causa perdas significativas de receita governamental e perturba a concorrência econômica justa. Embora as soluções existentes de detecção dependam de características estatísticas projetadas por especialistas ou de métodos baseados em redes, elas frequentemente falham em explorar plenamente as informações ricas e interativas inerentes aos cenários fiscais. Especificamente, os métodos tradicionais lutam para modelar as relações complexas, compostas e ocultas entre contribuintes, particularmente dentro de grupos de Transações entre Partes Relacionadas (RPT). Além disso, os dados fiscais heterogêneos contêm ruído substancial, onde relações irrelevantes obscurecem os sinais necessários para uma detecção precisa. O artigo aborda o desafio de detectar evasão fiscal modelando cenários fiscais como grafos heterogêneos e aproveitando grupos RPT para filtrar ruído e capturar semântica estrutural profunda.

Metodologia: A Estrutura TED
Os autores propõem o TED (Atenção Hierárquica em Grafo Heterogêneo Guiada por RPT para Detecção de Evasão Fiscal), um modelo inovador de Rede Neural de Grafos (GNN) projetado para operar em grafos heterogêneos contendo múltiplos tipos de entidades (por exemplo, empresas, pessoas, itens, eventos) e tipos de relacionamento. O modelo opera através de dois níveis hierárquicos principais:

Grupo RPT como Proximidade de Alta Ordem:
Em vez de depender de metacaminhos simples ou vizinhos de ordem $k$ , o TED define grupos RPT (por exemplo, Pessoa-Empresa-Empresa-Pessoa) como estruturas de proximidade de alta ordem. Essa abordagem filtra relações de baixa ordem ruidosas que são irrelevantes para a evasão fiscal, focando, em vez disso, em grupos de transações complexos onde a evasão fiscal é mais provável de ocorrer.
Mecanismo de Atenção Hierárquica:
Para capturar as influências compostas dentro e entre esses grupos RPT, o TED emprega um framework de atenção de dois níveis:
- Nível Interno-RPT: Este nível extrai características de instâncias individuais de grupos RPT que cercam um nó alvo. Ele utiliza uma abordagem de correspondência de subgrafos para identificar instâncias e emprega um mecanismo de atenção multi-cabeça para ponderar a importância de diferentes nós dentro de uma instância RPT específica. Ele agrega características de todos os vizinhos dentro da instância, preservando a topologia heterogênea em vez de colapsá-la em um grafo homogêneo.
- Nível Cruzado-RPT: Este nível agrega informações entre diferentes grupos RPT. Como diferentes grupos RPT contêm topologias e significados semânticos distintos, um mecanismo de atenção cruzada-RPT é usado para aprender a importância relativa de cada tipo de grupo RPT para o nó alvo. Ele combina as características originais do nó com as características RPT agregadas para calcular coeficientes de atenção, produzindo finalmente um embedding de nó final.

O modelo é treinado usando uma abordagem de aprendizado semi-supervisionado, minimizando a perda de entropia cruzada em dados de evasão fiscal rotulados, enquanto utiliza a estrutura do grafo para propagar informações para nós não rotulados.

Principais Contribuições
O artigo delineia três contribuições principais:

Modelagem de Grafo Heterogêneo: Os autores são os primeiros a estudar a detecção de evasão fiscal sob um modelo de grafo heterogêneo incorporando mais de 10 tipos de nós e relações, argumentando que essa representação abrangente melhora o desempenho de detecção em comparação com métodos baseados em características ou grafos homogêneos.
Atenção Hierárquica Guiada por RPT: A proposta de usar grupos RPT como proximidade de alta ordem para filtrar ruído de baixa ordem, acoplada a um modelo de atenção hierárquica inovador (níveis Interno-RPT e Cruzado-RPT) para minerar informações estruturais e semânticas profundas de relações complexas e ocultas.
Aplicação e Avaliação no Mundo Real: O método foi aplicado a um sistema real de gerenciamento de riscos de um departamento tributário chinês e avaliado em dois conjuntos de dados fiscais reais rotulados por humanos (T20H e T15S).

Resultados Experimentais
Os autores avaliaram o TED contra 13 baselines de última geração, incluindo métodos de preservação de proximidade (por exemplo, HIN2Vec, Metapath2vec), métodos de aprendizado de relação (por exemplo, TransE, DistMult), métodos de aprendizado PU (por exemplo, PUNE) e GNNs de passagem de mensagens (por exemplo, GCN, HAN, HGT).

Desempenho: O TED superou significativamente todas as baselines. Nos conjuntos de dados T20H e T15S, alcançou melhorias médias no escore F1 de 8,50% e 12,86%, e melhorias de precisão de 7,61% e 11,40% sobre os melhores métodos existentes, respectivamente.
Robustez: O modelo demonstrou estabilidade em diferentes proporções de amostras positivas (PSR) no conjunto de treinamento, mantendo desempenho superior mesmo quando os dados rotulados eram escassos (por exemplo, 10% PSR).
Estudos de Ablação: Experimentos confirmaram a necessidade de cada componente. A remoção dos tipos de nós heterogêneos (TED-hete), dos mecanismos de atenção (TED-att) ou de níveis específicos de atenção (TED-inner, TED-cross) resultou em degradação significativa do desempenho.
Visualização: Visualizações t-SNE mostraram que o TED produziu uma separação mais clara entre empresas evasoras e normais em comparação com outros modelos, indicando aprendizado de representação superior.
Eficiência: O TED demonstrou alta eficiência, alcançando desempenho comparável ao de outros modelos em tempo de treinamento significativamente menor e mostrando escalabilidade linear com o tamanho do grafo.

Significado e Alegações
O artigo afirma que o significado primário deste trabalho reside na mudança do paradigma da detecção de evasão fiscal da extração estática de características para a modelagem dinâmica e consciente de estrutura usando grafos heterogêneos. Ao modelar explicitamente grupos RPT como proximidades de alta ordem, o método aborda efetivamente os desafios de "relação ruidosa" e "relação composta" inerentes aos dados fiscais. Os autores afirmam que sua abordagem não apenas melhora a precisão da detecção, mas também fornece um framework que pode ser integrado em sistemas reais de gerenciamento de riscos fiscais. Eles concluem que o mecanismo de atenção hierárquica descobre com sucesso a informação semântica oculta dentro de redes fiscais complexas, oferecendo uma solução robusta para um problema econômico global. Sugere-se trabalho futuro para explorar aprendizado por reforço para a seleção autônoma de grupos RPT significativos, potencialmente reduzindo a necessidade de intervenção de especialistas do domínio.