مروری سیستماتیک بر کاربردهای یادگیری عمیق در تشخیص تقلب مالی: از معماری های سنتی تا مدل های گراف مبنا

تشخیص تقلب در سیستم های مالی، به دلیل رشد تصاعدی تراکنش ها و پیچیدگی روزافزون الگوهای کلاهبرداری، به یکی از چالش برانگیزترین حوزه های پژوهشی در عصر کلان داده تبدیل شده است. روش های سنتی و مبتنی بر قوانین، علی رغم سادگی، در کشف الگوهای پنهان و تطبیق پذیری با راهکارهای نوین کلاهبرداران ناتوان بوده اند. در دهه اخیر، یادگیری عمیق به دلیل توانایی ذاتی در استخراج خودکار بازنمایی های پیچیده از داده های حجیم، انقلابی در این حوزه ایجاد کرده است. این مقاله یک مرور سیستماتیک و ساختاریافته بر کاربردهای یادگیری عمیق در تشخیص تقلب مالی ارائه می دهد. مسیر تکامل پژوهش ها از معماری های پایه ای مانند پرسپترون های چندلایه و خودرمزنگارها آغاز شده و به مدل های پیشرفته تر همچون شبکه های حافظه طولانی کوتاه مدت و در نهایت، مدل های گراف مبنا می رسد. هدف اصلی این مطالعه، دسته بندی دقیق این روش ها، تحلیل نقاط قوت و ضعف هر دسته، و شناسایی روندهای آتی پژوهش در این حوزه است. یافته های این مرور نشان می دهد که مدل های مبتنی بر شبکه های عصبی گراف با در نظر گرفتن هم زمان ویژگی های تراکنشی و ساختار ارتباطی شبکه مالی، افق های تازه ای را در کشف تقلب های سازمان یافته و پنهان گشوده اند.

کلیدواژه ها:

تقلب مالی ، یادگیری عمیق ، شبکه های عصبی گراف ، کلان داده ، مکانیزم توجه