الكشف عن الاحتيال في أنظمة المعاملات: ثورة التعلم المدعوم بالتشتت

تُعتبر أنظمة الكشف عن الاحتيال المعتمدة على الرسوم البيانية (Graph-Based Fraud Detection) من العنصر الحاسم في حماية أنظمة المعاملات الكبيرة، حيث يمكن أن تؤدي الأخطاء غير المكتشفة إلى خسائر مالية فادحة ومخاطر أمنية. تواجه هذه الأنظمة تحديين رئيسيين: ضعف الإشراف (Sparse Supervision) وغياب التوازن (Imbalanced Supervision)، حيث النماذج الموجودة تنتج نتائج متحيزة نحو الحسابات السليمة بسبب ندرة البيانات الموثوقة التي تشير إلى الاحتيال.

في هذا الشأن، تم تقديم نموذج مُبتكر يُعرف باسم ADC-GNN، والذي يُشير إلى الشبكة العصبية الرسومية القائمة على التوجيه بالتشتت (Attention-guided Diffusion-Contrastive Graph Neural Network). يُمثل ADC-GNN منصة موحدة تجمع بين تحسين الميزات المعتمدة على التشتت (Diffusion-guided Feature Augmentation) والتعلم التبايني (Contrastive Representation Learning)، إضافة إلى استخدام الانتباه الطيفي (Spectral Attention) لتمكين الكشف المتقدم عن الاحتيال في الصور النادرة للبيانات.

واحدة من الابتكارات الأساسية في هذا النموذج هي الاستفادة من التعلم التبايني، الذي يمكنه تعزيز استقرار تمثيلات العقد (Node Representations) من خلال اجتياز الضوضاء في البيانات. يتمثل الجزء الطيفي في التأكيد على إشارات المستوى القائم على الاحتيال من خلال التنبيهات متعددة الطبقات.

تم إجراء تقييمات شاملة للنموذج بناءً على ثلاثة معايير عامة، بالإضافة إلى دراسة خاصة تتضمن مجموعة بيانات معاملات شركة اتصالات تحتوي على حوالي 60,000 سجل. أظهرت النتائج أن ADC-GNN يحقق تحسينات ملحوظة تحت سيناريو تدريب بنسبة 1%، متفوقًا على النماذج السابقة ومجموعة من المعايير الحديثة للطبيعة الشاذة.

تمت إضافة تحليلات إضافية تطرقت إلى ثبات الانقسام، ونسب التدريب، وبدائل النفط المعزز، وتحليل مستوى الوحدة، بالإضافة إلى مقارنة استهلاك الذاكرة والوقت لكل عملية، مما يقدم رؤية شاملة لفاعلية ADC-GNN في كشف الاحتيال.