💰 quantitative finance

Adversarial Training for Tabular Credit Scoring: A Multi-Attack Robustness Evaluation in P2P Lending

تقيم هذه الورقة مدى متانة نماذج تسجيل الائتمان القائمة على التعلم الآلي في الإقراض من نظير إلى نظير ضد مختلف الهجمات العدائية التي يتلاعب بها المتقدمون، مظهرةً أنه في حين يوفر التدريب العدائي أحادي الهجوم تعميماً محدوداً، فإن التدريب المختلط الهجمات يوفر الدفاع الأكثر توازناً عبر التهديدات غير المتجانسة دون المساس بأداء البيانات النظيفة.

المؤلفون الأصليون: Gijs A. F. Niewzwaag, Marijn G. S. Veth, Manuele Massei, Marcos R. Machado

نُشر 2026-09-10

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gijs A. F. Niewzwaag, Marijn G. S. Veth, Manuele Massei, Marcos R. Machado

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 عالم المال الحديث، انتقل قرار إقراض المال من مكتب المصرفي إلى الخوارزمية. فعندما تتقدم بطلب للحصول على قرض عبر منصة من الند للند (P2P)، يقوم نظام حاسوبي فوراً بتحليل دخلك وديونك وتاريخك ليقرر ما إذا كنت جديراً بالثقة. تعتمد هذه الأنظمة على تعلم الآلة، وهو فرع من فروع الذكاء الاصطناعي الذي يجد الأنماط في كميات هائلة من البيانات لإجراء التنبؤات. ولعقود من الزمن، جرى تقييم هذه النماذج بناءً على مدى جودة أدائها في الظروف العادية، بافتراض أن المعلومات التي يقدمها المقترض صادقة ودقيقة. ومع ذلك، هناك قلق متزايد بين الباحثين حول ما يحدث عندما ينهار هذا الافتراض. فتماماً كما يمكن خداع حارس أمن عبر تنكر بارع، يمكن لخوارزمية تسجيل الائتمان أن تُخدع إذا قام المتقدم بتعديل الأرقام التي يبلغ عنها بشكل استراتيجي. هذا المجال من الدراسة، المعروف باسم "تعلم الآلة الخصمي"، يبحث في كيفية تفاعل صُناع القرار الرقميين هؤلاء عندما يواجهون محاولات متعمدة ومدروسة لخداعهم.

قام فريق من الباحثين في جامعة "تواينتي" في هولندا باختبار مدى مرونة أنظمة تسجيل الائتمان هذه ضد مثل هذا الخداع. وقد ركزوا على سوق الإقراض من الند للند، حيث يقرض الأفراد أموالاً لأفراد آخرين دون وجود بنك تقليدي كوسيط. وباستخدام مجموعة بيانات ضخمة تحتوي على ما يقرب من 400,000 سجل قرض، حاكى الفريق سيناريو حاول فيه المتقدمون التلاعب بملفاتهم الشخصية للحصول على موافقات لقروض قد لا يتأهلون لها لولا ذلك. لم يختبروا نوعاً واحداً فقط من الحيل؛ بل استخدموا أربع طرق متميزة للتلاعب. اعتمدت طريقتان من هذه الطرق على حساب الاتجاه الرياضي الدقيق لدفع البيانات لتغيير النتيجة، بينما تضمنت طريقة أخرى قلب قيم البيانات عشوائياً لإحداث حالة من الفوضى، وسعت الرابعة إلى إيجاد أصغر تغيير ممكن لتحويل الرفض إلى موافقة. ثم قام الباحثون بتدريب ثلاثة أنواع مختلفة من النماذج الحاسوبية — نموذج خطي بسيط، وشبكة عصبية معقدة، ونموذج "ترانسفورمر" حديث — للتعامل مع هذه الهجمات.

تضمن جوهر تجربتهم عملية تدريب واختبار صارمة. فقد علموا النماذج التعرف على هذه الحيل المحددة عبر تغذيتها بأمثلة من البيانات المتلاعب بها أثناء مرحلة التعلم، وهي تقنية تسمى "التدريب الخصمي". بعد ذلك، اختبروا مدى جودة أداء هذه النماذج المدربة عند مواجهة نفس الحيل، بالإضافة إلى حيل أخرى لم يسبق لها رؤيتها. وكشفت النتائج عن نمط واضح: عندما يتم تدريب النموذج خصيصاً للتعرف على نوع معين من التلاعب، فإنه يصبح بارعاً للغاية في كشف تلك الحيلة المحددة بالضبط. فعلى سبيل المثال، النموذج الذي تم تدريبه لمقاومة نوع معين من الدفع المحسوب أصبح مقاوماً بشدة لنفس هذا النوع من الدفع، محافظاً على دقته حتى عندما تم تعديل البيانات. ومع ذلك، فإن هذه الحماية لم تمتد تلقائياً إلى أنواع أخرى من الخداع؛ فالنموذج المدرب على مقاومة دفع محسوب ظل عرضة بشكل مفاجئ لفساد البيانات العشوائي والفوضوي، والعكس صحيح.

ولعل النتيجة الأكثر أهمية هي أن الاعتماد على نوع واحد من الدفاع يخلق شعوراً زائفاً بالأمان. فقد اكتشف الباحثون أن تدريب النموذج ضد نوع واحد فقط من الهجمات يتركه مكشوفاً أمام غيره، تماماً مثل القفل الذي يكون قوياً ضد "المفتاح الهيكلي" (skeleton key) ولكنه ضعيف ضد "مفتاح النقر" (bump key). ولحل هذه المعضلة، اختبروا استراتيجية التدريب المختلط، حيث تعرضت النماذج لمزيج من جميع أنواع التلاعب الأربعة في آن واحد. وقد أنتج هذا النهج النتيجة الأكثر توازناً؛ حيث حافظت هذه النماذج على دقتها العالية في الطلبات العادية والصادقة، بينما أظهرت أيضاً مقاومة قوية لمجموعة متنوعة من الهجمات، سواء كانت محسوبة أو فوضوية. تشير الدراسة إلى أن المسار نحو نظام أكثر أماناً للمؤسسات المالية ليس في إتقان الدفاع ضد تهديد واحد معروف، بل في إخضاع النماذج لاختبارات جهد ضد مجموعة متنوعة من حالات الخداع المحتملة. ومن خلال القيام بذلك، يمكن للمقرضين بناء أنظمة تظل موثوقة حتى عندما يحاول المتقدمون التلاعب بالنظام، مما يضمن أن التكنولوجيا التي تخدم الاقتصاد قوية بقدر قوة البشر الذين تخدمهم.

أبحاث مشابهة