Adaptive KDE für Finanzkriminalität: Priorisierte Warteschlangen in Echtzeit

Eine neue Methode aus dem Bereich der Datenanalyse verspricht, die Aufdeckung von Finanzkriminalität in Echtzeit deutlich zu verbessern. Anstatt auf starre Top‑K‑Auswahlen oder manuell eingestellte Schwellenwerte zu setzen, nutzt die Technik ein online adaptives Kernel‑Density‑Estimation (KDE), um kontinuierlich aus einem Strom von Risikoscores sinnvolle Review‑Queues zu bilden.

Der Ansatz passt die Dichtefunktion des Score‑Streams dynamisch an und wandelt sie in eine Tail‑Mass‑Kurve um, die exakt die verfügbare Kapazität der Untersuchungsressourcen berücksichtigt. Anschließend wird die Schwelle an einem stabilen Dichtetal festgehalten, das über mehrere Bandbreiten hinweg erkannt wird. Dadurch entstehen robuste, label‑freie Schwellenwerte, die sich automatisch an verändernde Datenmuster anpassen.

Die Lösung unterstützt mehrere Warteschlangen gleichzeitig, arbeitet in Echtzeit und kann entweder mit gleitenden Zeitfenstern oder mit exponentiellem Vergessen betrieben werden. Auf synthetischen, driftenden und multimodalen Datenströmen hat sich gezeigt, dass die Methode die Kapazitätsgrenzen zuverlässig einhält und gleichzeitig die Schwankungen der Schwellenwerte deutlich reduziert.

Ein weiterer Vorteil ist die Effizienz: Jede Aktualisierung kostet nur O(G) pro Ereignis und benötigt konstanten Speicher pro Aktivität. Damit bietet die adaptive KDE‑Methode eine skalierbare, ressourcenschonende Lösung für die Echtzeit‑Überwachung von Finanztransaktionen.