Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
تُثبت هذه الورقة أنه في مجموعة بيانات ULB للاحتيال في بطاقات الائتمان، تُمكّن مجموعة فرعية مدمجة مكونة من 15 ميزة، مستمدة من استراتيجية ترتيب متعددة الأساليب، من تحقيق كشف عالي الأداء للاحتيال عبر مختلف المصنفات دون الحاجة إلى الإفراط في أخذ العينات باستخدام تقنية SMOTE، حيث تتفوق النماذج المدربة على التوزيع الطبيعي للفئات باستمرار على تلك المدربة باستخدام SMOTE عند تقييمها بعتبات مضبوطة بدقة.
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 التدفق الصامت والواسع للتمويل العالمي، تحمل نسبة ضئيلة من المعاملات خطراً خفياً. فمعظم عمليات تمرير البطاقات الائتمانية هي تبادلات روتينية غير ضارة للقيمة، ولكن عدداً قليماً جداً منها يكون احتيالياً، مصمماً لسرقة الأموال من الملاك غير المدركين. وبالنسبة للأنظمة التي تراقب هذه المعاملات، فإن هذا يخلق لغزاً صعباً. فإذا قام برنامج حاسوبي ببساطة بتخمين أن كل معاملة هي معاملة آمنة، فسيكون محقاً في أكثر من تسعة وتسعين بالمائة من المرات. وهذا المعدل العالي من النجاح مخادع؛ فهو يخفي حقيقة أن النظام قد فشل تماماً في مهمته الفعلية، وهي ضبط اللصوص النادرين. ولحل هذه المشكلة، يجب على الخبراء النظر إلى ما وراء مجرد أعداد الإجابات الصحيحة والخاطئة. إنهم بحاجة إلى قياس مدى قدرة النظام على إيجاد المعاملات السيئة دون إطلاق إنذار كاذب لكل معاملة جيدة، وهو توازن يتطلب ضبطاً دقيقاً وفهماً عميقاً للبيانات نفسها.
تتناول دراسة حديثة أجراها عبد الله محمد ريحان تشي في مختبر "ZogBiyog" في بنغلاديش هذه المشكلة من خلال اختبار فكرتين محددتين: كيفية اختيار القرائن الصحيحة للنظر إليها، وما إذا كان إنشاء أمثلة أكثر عن الاحتيال بشكل اصطناعي يساعد الحاسوب على التعلم بشكل أفضل. عمل الباحثون على مجموعة ضخمة من سجلات البطاقات الائتمانية من أوروبا، تحتوي على ما يقرب من 285,000 معاملة من يومين فقط في عام 2013. وفي هذه المجموعة من البيانات الواقعية، كانت 0.173 بالمائة فقط من المعاملات هي عمليات احتيال فعلياً. ولأن البيانات كانت منحازة بشدة نحو المعاملات الآمنة، تعين على الفريق توخي الحذر الشديد بشأن كيفية تدريب نماذجهم. بدأوا بالنظر في ثلاثين قطعة مختلفة من المعلومات المتاحة لكل معاملة، مثل وقت اليوم، ومبلغ الإنفاق، وثمانية وعشرين رقماً آخر تم تحويلها رياضياً لحماية خصوصية حاملي البطاقات.
ولإيجاد القرائن الأكثر فائدة، لم يعتمد الباحثون على طريقة واحدة لتصنيف أهمية هذه السمات الثلاثين. بدلاً من ذلك، استخدموا أربعة مناهج مختلفة لتقييم كل منها. بحث أحد المناهج عن أنماط الارتباط، وتحقق منهج آخر من العلاقات الخطية المستقيمة، واستخدم ثالث خوارزمية قائمة على الأشجار لقياس مدى مساعدة السمة في تقسيم البيانات، بينما بحث الرابع في مقدار التباين الذي تحمله كل سمة. ثم قاموا بدمج هذه القوائم الأربعة في قائمة واحدة أقصر مكونة من خمس عشرة سمة. فعلوا ذلك عبر أخذ الأدوار لاختيار السمة الأعلى من كل قائمة من القوائم الأربع، مع تخطي أي سمة تم اختيارها بالفعل، حتى حصلوا على خمس عشرة مادة فريدة بالضبط. ضمن هذا النهج "الدوروي" (round-robin) عدم هيمنة منهج واحد على الاختيار، مما خلق مجموعة مدمجة من القرائن كانت متنوعة وسهلة الإدارة في آن واحد.
ومع هذه المجموعة الأصغر المكونة من خمس عشرة سمة، قام الفريق بتدريب سبعة أنواع مختلفة من البرامج الحاسوبية لرصد الاحتيال. تراوحت هذه البرامج من القواعد الإحصائية البسيطة إلى الشبكات المعقدة متعددة الطبقات التي تحاكي طريقة معالجة الدماغ للمعلومات. واختبروا هذه البرامج تحت ظرفين مختلفين. في الظرف الأول، تعلمت البرامج من البيانات تماماً كما تظهر في العالم الحقيقي، حيث تقع تلك النسبة الضئيلة من حالات الاحتيال وسط الغالبية العظمى من المعاملات الآمنة. وفي الظرف الثاني، استخدموا تقنية تسمى "SMOTE"، والتي تنشئ أمثلة اصطناعية جديدة للاحتيال عن طريق خلط ومطابقة أجزاء من حالات احتيال موجودة. هذا العمل التوازني الاصطناعي هو اختصار شائع يستخدمه علماء البيانات، بناءً على افتراض أن إعطاء الحاسوب المزيد من الأمثلة للحدث النادر سيساعده على التعرف عليه بشكل أفضل.
كانت نتائج هذه التجربة واضحة ومثيرة للدهشة نوعاً ما. فعندما اختبر الباحثون البرامج على مجموعة جديدة من البيانات لم ترها النماذج من قبل، أدت البرامج التي تدربت على البيانات الطبيعية غير المتوازنة أداءً أفضل من تلك التي تدربت على البيانات المتوازنة اصطناعياً. وقد انطبق هذا على كل نوع من أنواع البرامج التي اختبروها. وكان الأفضل أداءً هو نموذج يسمى "XGBoost"، والذي حقق درجة عالية بلغت 0.826 عندما تدرب على البيانات الطبيعية، بينما وصل نموذج "K-Nearest Neighbors" إلى درجة أعلى بلغت 0.833. وفي المقابل، عندما تم تدريب هذه النماذج نفسها باستخدام أمثلة الاحتيال الاصطناعية، انخفض أداؤها بشكل عام. ورغم أن الباحثين قاموا بضبط نقطة القرار بعناية لكل نموذج لضمان مقارنة عادلة، إلا أن البيانات الاصطناعية أدت باستمرار إلى نتائج أسوأ.
تتحدى هذه النتيجة اعتقاداً راسخاً في هذا المجال بأن إضافة أمثلة اصطناعية هي دائماً خطوة مفيدة. تشير الدراسة إلى أنه بالنسبة لهذا النوع المحدد من المشكلات، ومع هذا النوع المحدد من البيانات، فإن التوزيع الطبيعي للمعاملات يحتوي على إشارة تعطلها الأمثلة الاصطناعية. لقد تعلمت البرامج الحاسوبية التمييز بين الاحتيال بدقة أكبر عندما سُمح لها برؤية الندرة الحقيقية للحدث، بدلاً من إجبارها على معاملة الاحتيال والأمان كأحداث متساوية الشيوع. كما أكد البحث أن مجموعة صغيرة مختارة بعناية من خمس عشرة سمة كانت كافية لبناء كاشف قوي، مما يثبت أن المرء ليس بحاجة لاستخدام كل قطعة متاحة من المعلومات للعثور على الإبرة في كومة القش. في نهاية المطاف، يوضح العمل أنه في عالم كشف الاحتيال عالي المخاطر، أحياناً تكون الاستراتيجية الأكثر فعالية هي الثقة في الواقع الخام للبيانات بدلاً من محاولة هندسة نسخة أكثر توازناً منها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.