🤖 machine learning

FinFraudBench: A Heterogeneous Graph Benchmark for Financial Fraud Detection

تقدم هذه الورقة FinFraudBench، وهو معيار مرجعي جديد للرسوم البيانية غير المتجانسة يتميز بمجموعتي بيانات ماليتين واقعيتين واسعتي النطاق مع أنواع متعددة من الكيانات وحواف موجهة لمعالجة أوجه القصور في المعايير المرجعية الحالية في التقاط التعقيد، وعدم توازن الفئات، وندرة الملصقات في كشف الاحتيال المالي في العالم الحقيقي.

المؤلفون الأصليون: Yixuan Chen, Hongyu Zhan, Jie Sheng, Weiyu Han, Shuai Chen, Tianyi Zhang, Xiao Tan, Jun Xia

نُشر 2026-08-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yixuan Chen, Hongyu Zhan, Jie Sheng, Weiyu Han, Shuai Chen, Tianyi Zhang, Xiao Tan, Jun Xia

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في الشبكة الواسعة وغير المرئية للتمويل الحديث، تترك كل عملية تمرير لبطاقة أو تحويل للأموال أثراً رقمياً. لعقود من الزمن، حاول الخبراء الإمساك بالمحتالين عبر مراقبة هذه الآثار واحداً تلو الآخر، ومعاملة كل معاملة كحدث معزول. كانوا يفحصون المبلغ، والوقت، والموقع، آملين في رصد نمط لا يتناسب مع المعتاد. لكن الاحتيال نادراً ما يكون عملاً منفرداً؛ بل هو شبكة من الروابط. فالبطاقة الائتمانية المسروقة يستخدمها شخص معين، في متجر معين، وغالباً بطريقة معينة تربطها بأنشطة مشبوهة أخرى. ولفهم الصورة الكاملة، أدرك الباحثون أنهم بحاجة إلى التوقف عن النظر في السجلات الفردية والبدء في رسم خرائط العلاقات بين الأشخاص، والبطاقات، والتجار، والأماكن المعنية. هذا التحول من فحص العناصر الفردية إلى فهم كيفية اتصالها هو أساس الكشف القائم على الرسوم البيانية (graph-based detection)، وهي طريقة تعامل البيانات المالية ليس كجدول بيانات، بل كخريطة معقدة من التفاعلات.

قام فريق من الباحثين الآن ببناء خريطة جديدة أكثر واقعية لاختبار طرق الكشف هذه، معالجين فجوة حرجة في كيفية دراسة الاحتيال. لقد أنشأوا معياراً يسمى "FinFraudBench"، والذي يتكون من مجموعتي بيانات ضخمتين تم بناؤهما من سجلات معاملات من العالم الحقيقي. وخلافاً للأدوات السابقة التي بسطت العالم المالي إلى نوع واحد من العقد أو نوع واحد من العلاقات، فإن هذه المجموعات الجديدة تحافظ على الواقع المتعدد الطبقات والمعقد للتمويل. فهي تحتوي على ما يقرب من 9 ملايين عقدة تمثل كيانات مختلفة مثل العملاء، والبطاقات، والتجار، والفئات، والمواقع، مرتبطة بما يقرب من 90 مليون اتصال موجه. وقد نظم الباحثون هذه البيانات بعناية لمحاكاة الظروف الصعبة في العالم الحقيقي، حيث يكون الاحتيال نادراً للغاية مقارنة بالمعاملات المشروعة، وحيث يتم تصنيف جزء ضئيل جداً من الحالات كاحتيال معروف.

استخدم الباحثون هذا المعيار الجديد لاختبار مجموعة واسعة من نماذج الكشف الحالية، بدءاً من الأدوات الإحصائية البسيطة وصولاً إلى أنظمة الذكاء الاصطناعي المتقدمة المصممة لقراءة الرسوم البيانية. ووجدوا أن الأساليب التي تجاهلت الأنواع المختلفة من الكيانات وعاملت كل شيء على أنه متماثل كانت أقل فعالية بشكل ملحوظ. كانت النماذج الأكثر نجاحاً هي تلك التي استطاعت التمييز بين العميل، والبطاقة، والتاجر، وفهم أن لكل منهم دوراً مختلفاً في الشبكة. وتحديداً، تفوقت النماذج المصممة للتعامل مع الرسوم البيانية غير المتجانسة (heterogeneous graphs) — وهي تلك التي تحترم الأنواع المختلفة من العقد والطرق المحددة لاتصالها — باستمرار على نظيراتها الأبسط. كانت هذه النماذج المتقدمة أفضل في ترتيب المعاملات الخطرة وتحديد الاحتيال حتى عندما كانت البيانات غير متوازنة بشدة، وهو سيناريو شائع وصعب في الأنظمة المصرفية الحقيقية.

تشير الدراسة إلى أن مفتاح الإمساك بالاحتيال المالي يكمن في الحفاظ على البنية الغنية والمصنفة للبيانات بدلاً من تسطيحها. فعندما أجبر الباحثون البيانات المعقدة متعددة الكيانات على اتخاذ تنسيق أبسط، فقدوا إشارات حاسمة كانت تساعد في تحديد الجهات السيئة. وتشير النتائج إلى أن المسار الأكثر واعداً للمستقبل هو بناء أنظمة يمكنها معالجة الأنواع المختلفة من الكيانات المالية وعلاقاتها الفريدة في آن واحد. وبينما ظلت بعض النماذج المتخصصة المصممة لرصد أنماط احتيال محددة تنافسية، إلا أنها لم تستطع عموماً مضاهاة الأداء العام للنماذج التي تبنت تماماً تعقيد الرسم البياني غير المتجانس. يوفر هذا العمل طريقة معيارية للمجتمع العلمي لتقييم الأدوات المستقبلية، مما يضمن اختبار الطرق الجديدة مقابل تمثيل واقعي للنظام البيئي المالي بدلاً من نسخة مبسطة للغاية.

قام الباحثون ببناء هذه المجموعات من سجلات المعاملات العامة، محولين صفوف البيانات إلى شبكة تكون فيها المعاملات هي النقاط المركزية المتصلة بالكيانات المعنية. وقد ضمنوا عدم تسرب أي معلومات من المستقبل إلى الماضي، وهو فخ شائع في كشف الاحتيال، من خلال فصل البيانات بصرامة إلى مجموعات تدريب، وتحقق، واختبار. تضمنت مجموعات البيانات النهائية أكثر من 1.8 مليون معاملة لمجموعة واحدة وما يقرب من 9 ملايين للأخرى، مع معدلات احتيال منخفضة تصل إلى 0.15 بالمائة، مما يحاكي الندرة الشديدة للاحتيال في الحياة الواقعية. ومن خلال اختبار طيف واسع من الخوارزميات على هذا التضاريس، استطاع الفريق إثبات أن القدرة على التنقل بين الأنواع المختلفة من الاتصالات ليست مجرد ميزة نظرية، بل هي ضرورة عملية للكشف الفعال عن الاحتيال. وتشير النتائج إلى مستقبل تُبنى فيه أنظمة الأمن المالي على فهم أعمق للعلاقات المتنوعة التي تحدد الاقتصاد الرقمي.

أبحاث مشابهة