ملخص تقني: دراسة مقارنة بين شبكة CNN-LSTM والشبكات العصبية الرسومية للكشف عن الاحتيال في البطاقات الائتمانية

1. بيان المشكلة

لقد تجاوز التوسع السريع في المعاملات الرقمية أنظمة الكشف عن الاحتيال التقليدية القائمة على القواعد، والتي تكافح لالتقاط الأنماط غير الخطية، والزمنية، والارتباطية المتأصلة في البيانات المالية الحديثة. وبينما يقدم التعلم العميق حلاً، إلا أن هناك فجوة كبيرة في الأدبيات المتعلقة بإجراء مقارنة عادلة ومنضبطة بين البنى العميقة التسلسلية (تحديداً CNN-LSTM) والنماذج العلاقاتية القائمة على الرسوم البيانية (الشبكات العصبية الرسومية، أو GNNs).

علاوة على ذلك، يواجه الكشف عن الاحتيال تحدياً حرجاً يتمثل في عدم التوازن الشديد في الفئات (غالباً أقل من 0.2% من حالات الاحتيال)، حيث تكون مقاييس الدقة القياسية مضللة. وغالباً ما تفتقر الدراسات الحالية إلى المقارنات الجانبية باستخدام نفس عمليات المعالجة المسبقة، وبروتوكولات التحقق، وتحسين العدالة، مما يجعل من الصعب تحديد النموذج الذي يتفوق في التعامل مع بيانات المعاملات المجهولة والغنية بالميزات.

2. المنهجية

أجرى المؤلفون دراسة مقارنة مضبوطة وشاملة باستخدام مجموعة بيانات "Kaggle" العامة للكشف عن احتيال البطاقات الائتمانية (284,807 معاملة، 492 حالة احتيال). استخدمت الدراسة تقسيمات بيانات متطابقة (70% تدريب، 15% تحقق، 15% اختبار)، ومعالجة مسبقة، ومقاييس تقييم لكل من النموذجين.

المعالجة المسبقة للبيانات والتعامل مع عدم التوازن

• التطبيع (Normalization): تم توحيد الميزات باستخدام "Standard Scaler".
• عدم التوازن في الفئات: تم تطبيق نهج توزين الفئات (class-weighting) أثناء التدريب، من خلال تخصيص أوزان خسارة أعلى للفئة الأقلية (الاحتيال).
• ضبط العتبة (Threshold Tuning): تم تحسين عتبات القرار على مجموعة بيانات التحقق لتعظيم مقياس F1-score، متجاوزين حد 0.5 الافتراضي لتحقيق التوازن بين الدقة (Precision) والاستدعاء (Recall).

بنى النماذج

1. CNN-LSTM (هجين/تسلسلي):

   • الهيكل: طبقة تلافيفية أحادية البعد (64 مرشحاً) لاستخراج ارتباطات الميزات المحلية، تليها طبقة تطبيع الدفعات (Batch Normalization)، وطبقة LSTM ثنائية الاتجاه (128 وحدة) لالتقاط التبعيات الزمنية، وتجميع متوسط عالمي (Global Average Pooling)، وإسقاط (Dropout) بنسبة 0.3، ومخرج Sigmoid.
   • المنطق: صُمم لالتقاط التفاعلات المكانية للميزات والديناميكيات التسلسلية في آن واحد دون الحاجة إلى رسوم بيانية علاقية صريحة.
   • التدريب: مُحسن Adam، دالة خسارة التقاطع الثنائي المستعرض (binary cross-entropy)، و25 حقبة تدريبية.

2. الشبكة العصبية الرسومية (GNN):

   • الهيكل: إطار عمل GraphSAGE. نظراً للطبيعة المجهولة لمجموعة البيانات (غياب السمات العلاقية الصريحة)، تم إنشاء رسم بياني افتراضي (pseudo-graph). حيث تم استنتاج حاملي البطاقات والتجار كعُقد، والمعاملات كحواف، باستخدام التجزئة الكمية لتصنيف التجار.
   • المنطق: صُمم لنمذجة الهياكل العلاقاتية والكشف عن السلوكيات التواطئية (حلقات الاحتيال).
   • التدريب: التقاطع الثنائي المستعرض مع اللوجيت (الموزون) ومتغير من "Focal Loss". تم اختبار نسختين: التوزين القياسي وFocal Loss مع أوزان مقصوصة.

مقاييس التقييم

أعطت الدراسة الأولوية للمقاييس الحساسة لعدم التوازن بدلاً من الدقة الخام:

• الدقة (Precision)، الاستدعاء (Recall)، F1-Score: لتقييم تحديد فئة الاحتيال.
• ROC-AUC و PR-AUC: لقياس القدرة التمييزية بشكل مستقل عن العتبات، مع تسليط الضوء بشكل خاص على PR-AUC للبيانات غير المتوازنة.
• زمن الاستجابة (Latency): متوسط وقت الاستدلال لكل عينة لتقييم جدوى النشر في الوقت الفعلي.

3. النتائج الرئيسية

كشفت النتائج التجريبية عن تفاوت صارخ في الأداء بين البنيتين على هذه المجموعة من البيانات تحديداً:

• أداء CNN-LSTM:

  • بعد ضبط العتبة (المُحسنة عند 0.9995)، حقق النموذج دقة (Precision) بلغت 0.9138، واستدعاء (Recall) بلغ 0.7162، ودرجة F1 بلغت 0.8030.
  • حافظ النموذج على ROC-AUC مرتفع بلغ 0.9795.
  • حقق النموذج الأساسي (عتبة 0.5) PR-AUC قدره 0.8124؛ ومع ذلك، تشير القسم 5.1 إلى أنه بعد معايرة العتبة، كانت مساحة الدقة والاستدعاء (precision-recall area) هي 0.792.
  • أظهر النموذج زمن استجابة منخفضاً، مما يجعله مناسباً للاستدلال في الوقت الفعلي.

• أداء GNN:

  • عانى نموذج GNN بشكل كبير. ذكر القسم 4.3 أن PR-AUC بلغ 0.012 فقط وROC-AUC بلغ 0.711 للنموذج الأساسي (BCE مع pos_weight)، مع دقة قدرها 0.0045 واستدعاء قدره 0.5135.
  • تذكر الجداول رقم 2 أن PR-AUC لنموذج GNN (BCE) هو 0.0021، مما يبرز تعارضاً بين الوصف النصي والنتائج المدرجة في الجداول.
  • حتى مع استخدام Focal Loss، فشل النموذج في التمييز بين حالات الاحتيال، حيث كان يتنبأ غالباً بأن جميع المعاملات هي عمليات احتيال (دقة واستدعاء صفريين).
  • يعزو المؤلفون هذا الفشل إلى نقص البيانات العلاقية ذات المعنى في مجموعة البيانات المجهولة؛ حيث لم يستطع بناء الرسم البيما الافتراضي توليد إشارة كافية ليتعلم منها نموذج GNN.

4. المساهمات الرئيسية

• إطار مقارنة مضبوط: توفر الورقة مقارنة قابلة لإعادة الإنتاج وعادلة بين CNN-LSTM وGNN باستخدام نفس مجموعات البيانات، والمعالجة المسبقة، وبروتوكولات ضبط المعلمات الفائقة، مما يعالج فجوة في الأدبيات الحالية.
• أدلة تجريبية على البيانات المجهولة: تثبت الدراسة أنه بينما تعد نماذج GNN قوية نظرياً للكشف عن الاحتيال العلاقي، إلا أنها تفشل في التعميم على مجموعات البيانات الغنية بالميزات والمجهولة تماماً حيث تغيب السمات العلاقية الصريحة (مثل الأجهزة المشتركة أو شبكات التجار).
• أهمية معايرة العتبة: يسلط البحث الضوء على أن ضبط العتبة أمر بالغ الأهمية للنشر العملي، حيث يحسن الدقة بشكل كبير دون التضحية بالاستدعاء في المجالات شديدة الانحراف.
• اختيار المقاييس: تدعو الورقة إلى استخدام PR-AUC وF1-score بدلاً من الدقة لتوفير تقييم واقعي لقدرات الكشف عن الاحتيال.

5. الأهمية والادعاءات

تدعي الورقة أنه بالنسبة لـ بيانات المعاملات المجهولة والغنية بالميزات، فإن بنى CNN-LSTM تتفوق على GNNs. ينجح النموذج الهجين في الاستفيد من التسلسل الزمني وتفاعلات الميزات دون الحاجة إلى هياكل رسومية خارجية.

يؤكد المؤلفون أن خصائص البيانات هي التي تحدد ملاءمة النموذج:

• CNN-LSTM هو الخيار المفضل للكشف القائم على الميزات في الوقت الفعلي في البيئات التي لا تتوفر فيها بيانات علاقية.
• GNNs تظل قيمة ولكنها مشروطة بتوفر سمات علاقية صريحة (مثل الشبكات بين التجار، أو مشاركة الأجهزة) لتعمل بفعالية.

تخلص الدراسة إلى أن أنظمة الكشف عن الاحتيال المستقبلية قد تستفيد من النهج الهجين الذي يجمع بين نمذجة التسلسل والاستدلال الرسومي، بشرما توفر البيانات العلاقية اللازمة. كما تؤكد على ضرية الصرامة المنهجية في أبحاث الذكاء الاصطناعي، لضمان عدم اختلاط المقارنات بسبب عدم اتساق المعالجة المسبقة أو مقاييس التقييم.