ارائه یک مدل یادگیری عمیق مبتنی بر GAN به منظور بهبود تشخیص تقلب و جعل عمیق هوش مصنوعی در پرداختهای آنالین

در این مقاله به ارزیابی و بررسی شبکه های مولد تخاصمی (GANs) برای تشخیص جعلهای عمیق هوش مصنوعی و فعالیت های تقلبی به هدف کالهبرداری در سیستم های پرداخت آنالین می پردازیم. با افزایش استفاده از فناوری جعل عمیق (Deepfake) که می تواند ویژگی های چهره را در تصاویر یا ویدئوها دستکاری کند، احتمال تقلب در تراکنش های آنلاین افزایش یافته است. سیستم های امنیتی سنتی در شناسایی این نوع تقلب های پیچیده با مشکل مواجه هستند. این مقاله یک مدل مبتنی بر GAN ارائه می دهد که با شناسایی دستکاری های ظریف در تصاویر پرداخت، امنیت پرداخت های آنلاین را بهبود می بخشد. این مدل بر روی مجموعه ای از تصاویر واقعی پرداخت آنلاین و تصاویر جعلی تولید شده با استفاده از معماری های پیشرفته GAN مانند StyleGAN و DeepFake آموزش داده شده است. نتایج نشان می دهد که مدل پیشنهادی می تواند به دقت بین تراکنش های قانونی و جعلی تمایز قائل شود و نرخ تشخیص باالی ۵۹٪ را به دست آورد. این رویکرد به طور قابل توجهی مقاومت سیستم های پرداخت را در برابر تقلب های مبتنی بر هوش مصنوعی بهبود می بخشد. این مقاله به حوزه امنیت دیجیتال کمک می کند و بینش هایی در مورد کاربرد GANs برای تشخیص تقلب در خدمات مالی ارائه می دهد.

کلیدواژه ها:

امنیت پرداخت ، تشخیص تصویر ، شبکه های مولد تخاصمی ، جعل عمیق هوش مصنوعی ، فعالیت های تقلبی