في السنوات الأخيرة، واجهت عمليات كشف الاحتيال في بطاقات الائتمان تحديات كبيرة ناتجة عن عدم توازن البيانات وأنماط الاحتيال المتطورة، إضافة إلى الهياكل العلاقات المعقدة بين كيانات المعاملات. لمواجهة هذه التحديات، قدم الباحثون إطار عمل مبتكر يعرف بشبكة عصبية موجهة متعددة العلاقات تعتمد على الزمن (Time-aware Multi-Relational Guided Graph Neural Network) والمعروفة اختصارًا بـ TMR-GGNN.

يتميز إطار TMR-GGNN بتوسيع بنية الشبكات العصبية الموجهة من نوع الحزم (encoder-decoder Graph Neural Network) من خلال نمذجة التفاعلات غير المتجانسة بين العملاء، التجار، الأجهزة، وعناوين IP عبر نوافذ زمنية محددة. يتم بناء رسم بياني ديناميكي ومتعدد العلاقات وتضمين آلية انتباه زمنية داخل الحزم لتقييم مدى أهمية المعاملات بشكل يتكيف مع القرب الزمني والسياق الدلالي.

تعتمد المرحلة التالية على استخدام وحدة تعلم تمييزية لتفريق الأنماط الحقيقية للسلوكيات الاحتيالية عن الأنماط المُصنعة، مما يعزز من قدرة النموذج على التعميم في حالات الاحتيال النادرة. إضافةً إلى ذلك، لمواجهة التحديات الناتجة عن عدم التوازن الكبير بين الفئات، تم تقديم دالة خسارة مركبة تجمع بين دالة خسارة مبنية على تقدير المعلومات والتباين (Information Noise Contrastive Estimation) مع دالة الخسارة البؤرية (Focal Loss). هذه التكامل بين الدالتين يسهم في تحسين تحديد الاحتيال وتقليل حالات السلبية الكاذبة.

بفضل هذا الابتكار، يبدو أن TMR-GGNN يمثل خطوة كبيرة نحو تحسين فعالية أنظمة الكشف عن الاحتيال في بطاقات الائتمان، مما يجعلها واحدة من الحلول الرائدة في مجالات التكنولوجيا المالية وأمن المعلومات. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.