کاربرد Graph Neural Network در کشف تقلب مالی

در این مقاله، به بررسی جامع کاربرد رو به رشد شبکه های عصبی گرافی (GNN) در حوزه حساس کشف تقلب مالی پرداخته می شود. با توجه به ماهیت گرافی داده های تراکنشی و روابط پیچیده بین موجودیت ها (مانند کاربران، حساب ها و تراکنش ها) GNNها به عنوان ابزاری قدرتمند برای شناسایی الگوهای پنهان تقلب ظهور کرده اند. هدف اصلی این تحقیق، ارائه یک دید کلی از آخرین پیشرفت ها، مدل های کلیدی GNN و چالش های موجود در این زمینه است. روش تحقیق بر پایه مرور نظام مند ادبیات علمی موجود و تحلیل مقالات مرتبط با استفاده از GNN در انواع مختلف تقلب های مالی از جمله تقلب در تراکنش های بانکی، کارت های اعتباری و معاملات آنلاین استوار است. نتایج اولیه نشان می دهد که مدل های GNN به ویژه آن هایی که قادر به درک ویژگی های ناهمگن (heterogeneous) گراف هستند، عملکرد بهتری نسبت به روش های سنتی در تشخیص موارد مشکوک از خود نشان داده اند. با این حال، چالش هایی نظیر مقیاس پذیری، تفسیرپذیری مدل ها و نیاز به داده های برچسب دار با کیفیت همچنان نیازمند توجه و تحقیق بیشتر هستند. این مرور، چارچوبی برای محققان و متخصصان فعال در حوزه امنیت مالی فراهم می آورد تا با درک عمیق تر قابلیت ها و محدودیت های GNN در جهت توسعه راهکارهای نوآورانه گام بردارند.

کلیدواژه ها:

شبکه های عصبی ، گرافی ، کشف تقلب ، مالی ، داده کاوی ، یادگیری ماشین ، گراف های ناهمگن