A Comparative Study of CNN-LSTM and Graph Neural Networks for Credit Card Fraud Detection: A Cost-Aware, Explainable, and Deployment-Ready Framework
تقارن هذه الدراسة بين نموذجي CNN-LSTM والشبكات العصبية الرسومية (GNN) للكشف عن الاحتيال في بطاقات الائتمان باستخدام مجموعة بيانات Kaggle، حيث وجدت أنه بينما يتفوق نموذج CNN-LSTM على نموذج GNN بسبب عدم قدرة الأخير على الاستفيد من الميزات العلاقاتية المجهولة، فإن النتائج تؤكد على الأهمية البالغة لضبط العتبة، ومعالجة عدم توازن الفئات، واختيار النموذج من أجل النشر العملي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 العصر الرقمي، تتحرك الأموال بسرعة الضوء. ففي كل مرة يتم فيها تمرير بطاقة ائتمان أو النقر عليها، تتولد شبكة معقدة من البيانات، تسجل أين ذهبت الأموال، ومتى ذهبت، وكم بلغت قيمة ما تم إنفاقه. لعقود من الزمن، اعتمدت البنوك على قواعد جامدة للإيقاع باللصوص: إذا تمت معاملة في بلدين مختلفين خلال ساعة واحدة، فقم بوضع علامة تحذير. ولكن مع زيادة ذكاء المحتالين، بدأت هذه القواعد الثابتة في الفشل؛ إذ لم تكن قادرة على رؤية أنماط السلوك الدقيقة التي تتكشف بمرور الوقت، ولا استيعاب الروابط الخفية بين مختلف الأشخاص والأماكن. ولمواكبة ذلك، لجأ العلماء إلى الذكاء الاصطناعي، وتحديداً التعلم العميق، وهو مجال تتعلم فيه البرامج الحاسوبية التعرف على الأنماط من خلال دراسة كميات هائلة من الأمثلة. وقد برز نهجان قويان لحل هذا اللغز: أحد النهجين يعامل سلسلة المعاملات كقصة، حيث ينظر إلى كيفية تغير عادات الإنفاق لدى الشخص من لحظة إلى أخرى، بينما يعامل النهج الآخر العالم المالي كخريطة من الروابط، محاولاً رصد مجموعات من الأشخاص أو الأجهزة التي تعمل معاً للسرقة.
لقد وضع فريق من الباحثين هدفاً ليروا أي من هذين النهجين يعمل بشكل أفضل عندما تُجرد البيانات من أدلتها الأكثر وضوحاً. فقد ركزوا على مجموعة بيانات مستخدمة على نطاق واسع لسجلات بطاقات الائتمان والتي تم تشفيرها لحماية الخصوصية. في مجموعة البيانات هذه، تم إخفاء أسماء حاملي البطاقات والتجار، واستبدالها برموز عامة. وبنى الباحثون نوعين مختلفين من أنظمة الذكاء الاصطناعي للبحث عن الاحتيال داخل هذه المعلومات المشفرة. النظام الأول كان نموذجاً هجيناً يجمع بين تقنيتين: جزء منه يبحث عن الأنماط المحلية في الأرقام، بينما يتذكر الجزء الآخر تسلسل الأحداث، مما يجعله يقرأ فعلياً قصة إنفاق حامل البطاقة بمرور الوقت. أما النظام الثاني فقد صُمم لإيجاد العلاقات، حيث يعامل كل بطاقة وكل تاجر كنقطة على خريطة ويرسم خطوطاً بينها ليرى ما إذا كانت تشكل تجمعات مشبوهة.
كانت النتائج صارخة وواضحة. فقد أثبت النظام المصمم لقراءة قصة عادات الإنفاق أنه فعال للغاية؛ فمن خلال ضبط حساسيته بعناية لتجنب الإنذارات الكاذبة، نجح في تحديد حوالي 72 بالمائة من المعاملات الاحتيالية مع إبقاء عدد الأبرياء المتهمين خطأً منخفضاً جداً. كما حقق مستوى عالياً من الدقة، حيث صنف بشكل صحيح ما يقرب من 99.9 بالمائة من جميع المعاملات عندما تم ضبط حد الاشتباه بالشكل المناسب. لقد تعلم النظام التعرف على التحولات الدقيقة في سلوك الإنفاق التي غالباً ما تسبق السرقة، حتى دون معرفة هوية الأشخاص المعنيين.
في المقابل، عانى النظام المصمم لإيجادة الروابط على الخريطة من عدم القدرة على إيجاد أي إشارة على الإطلاق. ولأن البيانات كانت مجهولة المصدر، اضطر الباحثون إلى ابتكار خريطة وهمية، من خلال تخمين المعاملات التي قد تكون مرتبطة ببعضها بناءً على تجميعات تعسفية. وبدون وجود روابط حقيقية في العالم الواقعي مثل الأجهزة المشتركة أو العلاقات المعروفة بين التجار، لم يكن لدى النظام ما يعمل به. لقد فشل في التمييز بين المتسوقين الشرفاء والمحتالين، وغالباً ما كان يفترض أن كل معاملة تقريباً هي عملية احتيال أو يغفل عن رصد الاحتيال تماماً. كان أداؤه سيئاً للغاية لدرجة أنه لم يقدم أي قيمة عملية للإيقاع باللصوص في هذا السياق المحدد. لقد أظهرت الدراسة أنه بينما تعد فكرة رسم خرائط الروابط أمراً قوياً، إلا أنها تتطلب علاقات حقيقية غير مخفية لكي تعمل. وعندما يتم تشفير البيانات، فإن النظام الذي يركز على تسلسل الأحداث وتفاصيل المعاملة نفسها يكون متفوقاً بمراحل.
كما سلط الباحثون الضوء على درس بالغ الأهمية حول كيفية قياس النجاح في هذا المجال. فالمقياس البسيط للدقة الإجمالية قد يكون مضللاً عندما يكون الاحتيال نادراً، كما هو الحال في العالم الحقيقي. فالنظام الذي يكتفي بافتراض "عدم وجود احتيال" لكل معاملة سيكون صحيحاً في أكثر من 99 بالمائة من الحالات، ومع ذلك فإنه لن يمسك بصفر من اللصوص. وقد أظهر الفريق أنه من خلال النظر في مقاييس أداء أكثر تحديداً، مثل التوازن بين كشف الاحتيال وتجنب الإنذارات الكاذبة، تصبح القدرات الحقيقية للنماذج مرئية. ووجدوا أنه يمكن ضبط نموذج "قراءة القصة" ليتناسب مع احتياجات البنك، مما يسمح لهم بتحديد عدد الإنذارات الكاذبة التي هم مستعدون لتحملها مقابل الإمساك بالمزيد من اللصوص.
يشير هذا العمل إلى أنه بالنسبة لمجموعات البيانات المشفرة الشائعة التي تستخدمها العديد من البنوك اليوم، فإن أفضل نهج هو التركيز على الجدول الزمني لنشاط المستخدم بدلاً من محاولة فرض خريطة روابط على البيانات. لقد أثبت النموذج الهجين أنه ليس فقط أكثر دقة، بل وأسرع أيضاً، مما يجعله مناسباً لاتخاذ القرارات في الوقت الفعلي حيث يجب الموافقة على المعاملة أو رفضها في جزء من الثانية. وتخلص الدراسة إلى أن اختيار الأداة يعتمد كلياً على البيانات المتاحة. فإذا كان لدى البنك وصول إلى معلومات غنية وغير مخفية حول كيفية ارتباط الناس والأجهزة ببعضها البعض، فقد يتألق نهج رسم خرائط الروابط يوماً ما. ولكن في الوقت الحالي، في عالم البيانات المجهولة، تظل القدرة على قراءة قصة تسلسل المعاملات هي الطريقة الأكثر موثوقية للحفاظ على أمن الأنظمة المالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.