المعارضة المستمرة لمشكلة الاحتيال في معاملات بطاقات الائتمان تظل هاجساً كبيراً، إذ يمثل التوازن غير المتكافئ في البيانات تحدياً دؤوباً للباحثين والممارسين في هذا المجال. في السنوات الأخيرة، ظهرت تقنيات مثل نماذج الشبكات التوليدية المعاكس (GANs) ونماذج التشفير المتغيرة (VAEs)، لكن معظمها كانت تعاني من ضعف الأداء عندما يتعلق الأمر بمعالجة بيانات الفئة الأقل تمثيلاً.

في سياق هذه التحديات، تم تقديم نموذج Causal Prototype Attention Classifier (CPAC) كحل ثوري. يركز CPAC على إنشاء تصميمات قابلة للتفسير تعزز من تجميع البيانات حسب الفئة، مما يحسن الهيكل الكامن لمجموعة البيانات. يتم دمج CPAC مع تشكيلة للشبكات النقدية المتقدمة (VAE-GAN)، مما يساعد في تحقيق فصل أفضل بين الكتل الكامنة.

اختبارات الأداء أظهرت أن النموذج المعدل باستخدام CPAC يتفوق بشكل ملحوظ على تقنيات مثل SMOTE، حيث حقق دقة تصل إلى 93.74% في مقياس F1 ونسبة استرجاع تصل إلى 92.85%. هذه النتائج تبشر بمستقبل واعد في تحسين الكشف عن الاحتيال.

كما تقدم الدراسة رؤى أعمق من خلال الدراسات التجريبية، مما يتيح لنا فهم حدود وفوائد التعلم التمثيلي المدفوع بالتصنيف. يمكنكم الاطلاع على كود المشروع عبر هذا الرابط: رابط المشروع.

ما رأيكم في الابتكارات الجديدة في مجال مكافحة الاحتيال؟ شاركونا آرائكم وتعليقاتكم!