مروری بر رویکردهای ترکیبی Explainable AI و Federated Learning در تشخیص تقلب پرداخت الکترونیکی: چالش ها و فرصت ها

رشد انفجاری تراکنش های دیجیتال تقلب مالی در سیستم های پرداخت الکترونیکی را به یکی از بحرانی ترین چالش های صنعت فین تک تبدیل کرده است. طبق گزارش های ۲۰۲۴ بیش از ۷۹ سازمان ها با تلاش های تقلبی مواجه بوده و خسارات جهانی تا ۲۰۳۰ به ۵۸ میلیارد دلار خواهد رسید.[۱] روش های سنتی مبتنی بر قوانین صلب (Rule-Based) به دلیل ناتوانی در تشخیص الگوهای نوظهور و نرخ بالای هشدارهای کاذب دیگر پاسخگو نیستند [۲]. این مقاله با مرور ادبیات ۲۰۲۲ تا ۲۰۲۴ دو رویکرد پیشرو را بررسی می کند: یادگیری ماشین قابل تفسیر (Explainable AI – XAI) که با ابزارهایی مانند SHAP شفافیت تصمیم گیری مدل را فراهم می آورد و یادگیری فدرال (Federated Learning) که آموزش مشترک مدل ها را بدون انتقال داده های خام ممکن می سازد. نوآوری این مقاله ارائه چارچوب مفهومی ترکیبی XAIHFL است که توازن میان سه بعد حیاتی: دقت تشخیص، حریم خصوصی کاربر و قابلیت تفسیرپذیری نظارتی را هدف قرار می دهد.

کلیدواژه ها:

تشخیص تقلب ، پرداخت الکترونیکی ، هوش مصنوعی قابل تفسیر ، یادگیری فدرال ، امنیت سایبری ، SHAP ، XGBoost