A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions

تخيل عالم المال الرقمي كمدينة ضخمة وصاخبة، حيث يمثل كل شخص أو حساب بنكي أو بطاقة ائتمان مبنىً ما، وكلما أرسل شخص ما مالاً أو استقبله، يتم بناء طريق جديد يربط بينهما. في هذه المدينة، معظم السكان مواطنون شرفاء يمارسون أعمالهم اليومية، لكن هناك مجموعة صغيرة وماكرة من المحتالين يحاولون السرقة من البنوك. لفترة طويلة، حاولت فرق الأمن (البرامج الحاسوبية القديمة) الإمساك بهؤلاء اللصوص من خلال مراقبة مبانٍ منفردة أو التحقق مما إذا كان طريق معين يبدو مريباً. لكن اللصوص أصبحوا أكثر ذكاءً؛ فقد بدأوا بالعمل في فرق، مستخدمين شبكات معقدة من الطرق الوهمية والممرات المختصرة المخفية التي لا يستطيع حارس بسيط رؤيتها. وهنا يأتي دور نوع جديد من العلوم يسمى "الشبكات العصبية الرسومية" (Graph Neural Networks). فبدلاً من النظر إلى مبنى واحد في كل مرة، تنظر هذه الأنظمة الذكية إلى خريطة المدينة بأكملها، وتفهم كيفية ترابط المباني ببعضها البعض. يمكنها رصد المحتال ليس فقط لأنه يبدو غريباً، بل لأنه يتسكع في حي غريب أو يسلك مساراً غريباً لا يسلكه أي شخص شريف. السؤال الكبير الذي يطرحه العلماء هو: كيف نبني نظام أمن سريع بما يكفي لمراقبة ملايين المعاملات في كل ثانية، وذكي بما يكفي لرؤية المدينة بأكملها، وحاد بما يكفي للإمساك بأذكى اللصوص دون إيقاف الأشخاص الشرفاء؟

هذا بالضبط ما يسعى بحث محمد أمين حشمي، بعنوان "نهج الشبكة العصبية الرسومية الهجين للكشف عن الاحتيال في المعاملات المالية"، لحله. يقترح المؤلف نظام أمن جديداً فائق القوة يسمى HybridWaveletGNN. تخيل هذا النظام كفريق تحقيق يجمع بين قدرات خارقة مختلفة في فرقة واحدة. أولاً، لديهم "مراقبة الحي" (الشبكات العصبية التلافيفية الرسومية) التي تتحقق من أصدقائك المباشرين. ثانياً، لديهم "كشاف ذكي" (شبكات الانتباه الرسومية) يمكنه التركيز والقول: "مهلاً، هذا الصديق تحديداً يتصرف بشكل مريب، انتبه إليه!". وبينما يشير التصميم النظري للورقة البحثية إلى إضافة "تلسكوب بعيد المدى" (محولات الرسوم - Graph Transformers) لرؤية الروابط عبر المدينة بأكملها، ركزت التجربة المحددة في هذه الدراسة على دمج "مراقبة الحي" مع "الكشاف الذكي" لإنشاء نموذج هجين قوي.

ولكن إليكم الجزء الرائع حقاً: أضاف الفريق أيضاً أداة خاصة تسمى Graph Wavelets (الموجات الرسومية). تخيل لو أن المدينة كانت مغطاة بطبقات من الضباب، وكان المحتالون يختبئون في الضباب الكثيف بينما يتواجد الأشخاص الشرفاء في الهواء الصافي. قد ترتبك الكاميرا العادية بسبب الضباب، لكن أداة الموجات (wavelet) تشبه عدسة خاصة يمكنها تقشير طبقات الضباب، والنظر إلى المدينة من زاوية واسعة ثم التكبير بدقة في آن واحد. يساعد هذا النظام في رصد الحيل الصغيرة والمعزولة وكذلك العصابات الإجرامية الكبيرة والمنسقة.

اختبر الفريق هذا الفريق الاستقصائي الجديد على محاكاة ضخمة لمعاملات الأموال عبر الهاتف المحمول تسمى PaySim، والتي تحتوي على أكثر من 6,362,620 معاملة. في هذه المحاكاة، الغالبية العظمى من المعاملات هي معاملات شريفة، وفقط عدد قليل جداً منها هو عمليات احتيال، مما يجعل الاختبار صعباً للغاية. قام الباحثون ببناء نموذجهم باستخدام كمبيوتر مزود بمعالج رسوميات من نوع NVIDIA Tesla T4 GPU وشغلوه لمدة 50 جولة من التدريب (تسمى العصور أو epochs). وقارنوا نموذج HybridWaveletGNN الجديد بنموذج "مراقبة الحي" القياسي (شبكة انتباه رسومية أساسية).

تشير النتائج إلى أن الفريق الهجين الجديد أفضل بكثير في أداء مهمته. في المحاكاة، نجح النموذج القياسي في كشف حوالي 75.83% من عمليات الاحتيال (الاستدعاء/Recall) بدقة بلغت 0.8793، مما أدى إلى درجة F1 قدرها 0.8143. ومع ذلك، قام نموذج HybridWaveletGNN الجديد بتحسين هذه الأرقام، حيث كشف عن 81.81% من عمليات الاحتيال بدقة بلغت 0.9189 ودرجة F1 بلغت 0.8656. كما حقق درجة أعلى في "المساحة تحت المنحنى" (AUC)، حيث وصلت إلى 0.9656 مقارنة بـ 0.9526 للنموذج القياسي. تظهر الورقة أنه من خلال الجمع بين هذه الطرق المختلفة للنظر إلى البيانات، فإن النموذج الجديد أفضل في رصد السيئين مع الحفاظ على انخفاض الإنذارات الكاذبة.

صمم المؤلف أيضاً النظام ليكون "بثياً" (streaming)، مما يعني أنه يمكنه التعلم أثناء العمل. ومع حدوث معاملات جديدة، يقوم النموذج بتحديث ذاكرته فوراً دون الحاجة إلى البدء من جديد، وهو أمر بالغ الأهمية في العمل المصرفي الواقعي حيث السرعة هي الأهم. كما أضافوا فحص "درجة الثقة العالمية" (Global Confidence Degree)، والذي يعمل كـ "حدس": إذا بدت معاملة ما مختلفة جداً عن السلوك الطبيعي لبقية المدينة، يقوم النظام بوضع علامة عليها حتى لو لم تبدُ مريبة في حد ذاتها.

بينما تبدو نتائج هذه المحاكاة واعدة، تشير الورقة إلى أن هذا يعد خطوة نحو حل واقعي، وليس منتجاً نهائياً. يقترح المؤلف أن العمل المستقبلي يمكن أن يضيف طبقات أكثر، مثل فهم التوقيت الدقيق للمعاملات (الديناميكيات الزمنية) أو شرح لماذا قام النظام بوضع علامة على معاملة ما حتى تتمكن البنوك من الوثوق به أكثر. في الوقت الحالي، تثبت الورقة أن دمج أنواع مختلفة من الذكاء الرسومي مع أدوات الموجات الخاصة يخلق طريقة أكثر قوة ودقة لحماية أموالنا الرقمية من الحيل المتغيرة للمحتالين.