Soutenance de thèse de Madame Hiba AKLI
Le 24 novembre 2026 de 13:30 à 16:30
13h30 | ESAIP Engineering School | Bâtiment C | Salle C203 | 18, rue du 8 Mai 1945 | SAINT-BARTHÉLEMY D'ANJOU
Sujet : Vers des réseaux de neurones sur graphes robustes pour la détection des crimes financiers face aux stratégies d’évasion
Directeur de thèse : Monsieur Igor STÉPHAN
RÉSUMÉ
Les GNN (Graph Neural Networks) modélisent les relations entre transactions et entités pour détecter les crimes financiers. Les acteurs malveillants dissimulent leurs activités, défiant leur robustesse. Cette thèse étudie deux formes d’évasion : le camouflage et la collusion. Le camouflage relie des entités malveillantes à des entités légitimes, créant un déséquilibre de classes et une hétérophilie asymétrique qui limitent l’agrégation standard utilisée par les GNNs. Nous proposons HOT-GNN (Heterophily Outlier Temporal-aware Graph Neural Network), qui distingue les informations du nœud cible et de ses voisins similaires ou dissimilaires, en combinant similarité sensible aux valeurs aberrantes, attention hiérarchique et encodage hétérogène et temporel. HOT-GNN atteint l’état de l’art sur quatre jeux de données de fraude. Nous introduisons aussi C-HSBM (Class-Asymmetric Heterophilic Stochastic Block Model), un modèle de blocs stochastiques pour les classes déséquilibrées à connectivité asymétrique. L’analyse montre que la probabilité de mauvaise classification de la classe minoritaire par un GCN (Graph Convolutional Network) standard tend vers 1, tandis que l’agrégation partitionnée préserve une séparation positive. La collusion répartit les indices d’une activité illicite entre plusieurs entités, imposant de détecter des structures suspectes plutôt que des nœuds isolés. Nous proposons DCS-GNN (Detection and Discovery of Collusive Structures Graph Neural Network) pour détecter, découvrir et expliquer ces structures grâce à des représentations partagées du graphe, une propagation directionnelle et une recherche guidée par la suspicion. Les attributions au niveau des nœuds et la récupération de précédents facilitent l’interprétation. Sur Elliptic2, DCS-GNN améliore la classification par rapport au meilleur modèle de référence et découvre les structures suspectes directement dans le graphe, sans candidats prédéfinis.
