Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
تقدم هذه الورقة البحثية ProtoCP، وهو إطار عمل للتنبؤ المطابق للكشف عن الاحتيال على مستوى الحواف في الرسوم البيانية الزمنية، والذي يستفيد من النماذج الأولية المتعلمة وانتشار الدرجات الزمنية للتغلب على عدم كفاءة المعايرة الناتجة عن هيمنة الجيران الحميدين وعدم توازن الفئات، مما يحقق التغطية المستهدفة بمجموعات تنبؤ أصغر بكثير من الأساليب المرجعية المتطورة.
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 العالم الرقمي، من الأسواق عبر الإنترنت إلى تطبيقات الخدمات المصرفية، يمثل الاحتيال ظلاً مستمراً. فهو يختبئ في الشبكة المعقدة من المعاملات والتفاعلات، حيث يمكن لعمل مشبوه واحد أن يُدفن وسط ملايين العمليات المشروعة. ولإمساك هؤلاء الفاعلين السيئين، تستخدم الأنظمة الحاسوبية الذكاء الاصطناائي لرصد الأنماط التي قد تغفل عنها العين البشرية. هذه الأنظمة جيدة في تقديم تخمين: هل هذه المعاملة آمنة، أم أنها عملية احتيال؟ لكن التخمين ليس كافياً عندما تكون الأموال والثقة على المحك. فإذا كان النظام واثقاً من نفسه أكثر مما ينبغي عندما يخطئ، فقد يتسبب في ضرر حقيقي عبر حظر أشخاص أبرياء أو السماح للصوص بالإفلات. ما نحتاج إليه هو وسيلة تجعل الحاسوب يعرف متى يكون غير متأكد، وأن يعترف بهذا عدم اليقين بضمانة رسمية. هذا هو وعد أداة رياضية تسمى "التنبؤ التوافقي" (conformal prediction). فبدلاً من مجرد إعطاء إجابة واحدة، تقدم هذه الأداة قائمة صغيرة من الاحتمالات التي تضمن رياضياً احتواءها على الحقيقة في معظم الأوقارف. إنها تشبه شبكة الأمان التي تضمن أن النظام لا يدعي اليقين بينما هو في الواقع يقوم بمجرد التخمين.
ومع ذلك، فإن التحدي يكمكم في أن الاحتيال أمر مخادع؛ فهو غالباً ما يختبئ داخل مجموعات من السلوك الطبيعي، مما يجعل من الصعب تمييزه عن الحشد. علاوة على ذلك، فإن الاحتيال نادر، ففي بحر من المعاملات العادية، تكون بعض الحالات السيئة مثل البحث عن إبرة في كومة قش. وعندما حاول الباحثون تطبيق شبكات أمان قياسية على هذه المشكلة، وجدوا أن تلك الشبكات كانت فضفاضة للغاية؛ إذ أنتجت الأنظمة قوائم من الاحتمالات كبيرة جداً لدرجة أنها أصبحت عديمة الفائدة، أو فشلت في رصد الاحتيال لأن الأمثلة السيئة النادرة غمرتها الأمثلة الجيدة الشائعة. لقد عاملت الأساليب الموجودة كل جار في شبكة المعاملات بالتساوي، ولكن في حالات الاحتيال، قد تكون المعاملة المشبوهة محاطة بمعاملات بريئة هي في الواقع جزء من تمويه.
ولحل هذه المعضلة، طور فريق من الباحثين في جامعة إيموري وجامعة إلينوي في شيكاغو نهجاً جديداً يسمى "ProtoCP". كان هدفهم بناء شبكة أمان تكون ضيقة بما يكفي لتكون مفيدة، وقوية بما يكفي لتكون موثوقة، حتى عندما يختبئ الاحتيال في وضح النهار ويكون نادراً للغاية. لقد أدركوا أنه لجعل الحكم جيداً، يحتاج الحاسوب إلى النظر في السياق الصحيح. فبدلاً من النظر إلى معاملة وجيرانها كمجموعة مختلطة وفوضوية، علموا النظام كيفية التعرف على "أنماط" أو نماذج أولية (prototypes) محددة لكيفية سلوك الاحتيال عادةً. تخيل محتالاً يستخدم غالباً نوعاً معيناً من الأجهزة أو يتصل بمجموعة محددة من الحسابات؛ يتعلم النظام كيفية رصد هذه الأنماط المتكررة.
بنى الباحثون طريقة تحدد هذه الأنماط أولاً ثم تستخدمها لتنقية البيانات. فعندما يفحص النظام معاملة ما ليقرر ما إذا كانت آمنة، فإنه ينظر إلى الشبكة المحيطة بها. ولكن بدلاً من الاستماع إلى كل معاملة قريبة بالتساوي، فإنه يستخدم الأنماط المتعلمة لتصفية الضجيج. إنه يركز على الجيران الذين يشبهون بالفعل أنماط الاحتيال التي تعلمها، ويتجاهل الجيران الذين يمثلون نشاطاً طبيعياً وغير ضار. هذا يخلق صورة أوضح للموقف. وبمجرد حصول النظام على هذه الرؤية الأكثر وضوحاً، فإنه يحسب درجة لقياس مدى غرابة المعاملة. ولجعل هذه الدرجة أكثر موثوقية، يقارن النظام المعاملة ليس فقط برقم واحد، بل بمدى اختلافها عن جيرانها المباشرين الذين تمت تصفيتهم. إذا بدت المعاملة مختلفة جداً عن جيرانها المشبوهين، فإنها تحصل على درجة تحذير أعلى.
أخيراً، أضاف الباحثون خطوة لتنعيم النتائج بمرور الوقت. فالمحتالون يغيرون تكتيكاتهم، وما بدا كاحتيال بالأمس قد يبدو مختلفاً اليوم. تقوم الطريقة الجديدة بنشر المعلومات عبر الزمن، بحيث لا تؤدي طفرة مفاجئة ومربكة في البيانات إلى إخلال توازن النظام بأكمله. وهذا يسمح للنظام بالبقاء مستقراً حتى مع تطور المحتالين. وعندما اختبر الفريق هذه الطريقة الجديدة على أربع مجموعات بيانات مختلفة من الواقع، بما في ذلك المعاملات المالية والمراجات عبر الإنترنت، حققت نتائج أفضل من أي طريقة سابقة. فقد نجحت في الحفاظ على شبكة الأمان ضيقة، منتجة قوائم صغيرة من الاحتمالات يسهل على البشر مراجعتها، مع استمرار رصد الاحتيال بالمعدل الذي وعدت به. وفي الواقع، بالنسبة لحالات الاحتيال النادرة، كانت الطريقة الجديدة أفضل بكثير في رصد الاحتيال دون أن تكون حذرة بشكل مفرط، بينما كانت الطرق القديمة إما تفشل في رصد الاحتيال أو تنتج قوائم كبيرة جداً لدرجة تجعلها غير عملية.
تظهر الدراسة أنه من خلال تعليم النظام كيفية التعرف على الأشكال المحددة للاحتيال وتجاهل ضجيج السلوك الطبيعي، يمكننا جعل الذكاء الاصطناعي أكثر موثوقية بكثير. وجد الباحثون أن نهجهم تعامل بنجاح مع الندرة الشديدة للاحتيال والطبيعة المتغيرة للجهات السيئة، مما يثبت أنه من الممكن الحصول على دقة عالية وقياس واضح وصادق لعدم اليقين. وهذا يعني أنه في المستقبل، يمكن للمنصات عبر الإنترنت استخدام هذه الأدوات للإبلاغ عن الأنشطة المشبوهة بثقة أكبر، مما يحمي المستخدمين دون التسبب في إزعاج غير ضروري للأشخاص الشرفاء. ويشير العمل إلى أن مفتاح رصد الاحتيال ليس مجرد النظر بجهد أكبر، بل النظر بذكاء أكبر في الروابط الصحيحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.