کشف الگوهای کلاهبرداری مالی در تراکنش های بانکی با ادغام یادگیری نیمه نظارتی و گراف نیوز

کلاهبرداری های مالی در تراکنش های بانکی به یکی از چالش های اصلی سیستم های مالی مدرن تبدیل شده اند. با افزایش حجم تراکنش های دیجیتال، روش های سنتی کشف تقلب به دلیل ناتوانی در شناسایی الگوهای پیچیده و پویا، کارایی محدودی دارند. این پژوهش به بررسی ادغام یادگیری نیمه نظارتی و گراف نیوز به عنوان رویکردی نوین برای کشف الگوهای کلاهبرداری مالی در تراکنش های بانکی می پردازد. یادگیری نیمه نظارتی با بهره گیری از داده های برچسب دار محدود و داده های بدون برچسب فراوان، امکان استخراج الگوهای غیرعادی را فراهم می کند، در حالی که گراف نیوز با مدل سازی تراکنش ها به صورت شبکه ای، ارتباطات پنهان مانند حلقه های پولشویی را شناسایی می کند. این رویکرد ترکیبی با ترکیب نقاط قوت هر دو روش، دقت شناسایی تقلب را افزایش داده و نرخ خطا را کاهش می دهد. نتایج نشان می دهند که این روش نه تنها زیان های مالی ناشی از تقلب را کاهش می دهد، بلکه امنیت سیستم های بانکی را بهبود بخشیده و اعتماد مشتریان را تقویت می کند. علاوه بر این، این رویکرد قابلیت کاربرد در سایر حوزه های مالی مانند بازارهای بورس و ارزهای دیجیتال را دارد. با این حال، چالش هایی مانند پیچیدگی محاسباتی و نیاز به داده های باکیفیت همچنان وجود دارند. این پژوهش پیشنهاد می کند که تحقیقات آینده بر توسعه مدل های بلادرنگ و ادغام با فناوری های نوظهور مانند بلاکچین تمرکز کنند تا کارایی و مقیاس پذیری این روش ها بهبود یابد. این رویکرد نوآورانه می تواند به بانک ها و نهادهای مالی در پیشگیری از جرایم مالی و تقویت سیاست گذاری های نظارتی کمک کند.

کلیدواژه ها:

کلاهبرداری مالی ، یادگیری نیمه نظارتی ، گراف نیوز ، تراکنش های بانکی ، کشف تقلب