TED: Related Party Transaction guided Tax Evasion Detection on Heterogeneous Graph
यह शोध पत्र TED का प्रस्ताव करता है, जो एक नवीन ग्राफ न्यूरल नेटवर्क मॉडल है जो संबंधित पक्ष लेनदेन (related party transactions) का विश्लेषण करने के लिए हेटेरोजेनियस ग्राफ और एक पदानुक्रमित अटेंशन तंत्र (hierarchical attention mechanism) का लाभ उठाता है, जो जटिल संवादात्मक जानकारी को कैप्चर करके कर चोरी का पता लगाने के प्रदर्शन में महत्वपूर्ण सुधार करता है जिसे पारंपरिक सांख्यिकीय विधियाँ चूक जाती हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि वैश्विक अर्थव्यवस्था एक विशाल, हलचल भरे बाज़ार की तरह है। इस बाज़ार में, अधिकांश लोग नियमों का पालन करते हैं, लेकिन कुछ दुकानदार चुपके से अपने मुनाफे को छिपाने की कोशिश कर रहे हैं ताकि वे अपना उचित हिस्सा टैक्स के रूप में न दें। यह टैक्स चोरी (tax evasion) है, और यह सार्वजनिक खजाने से चोरी करने वाले चोर की तरह है, जिससे स्कूलों, सड़कों और अस्पतालों के लिए कम पैसा बचता है।
लंबे समय तक, टैक्स अधिकारियों ने इन चोरों को पकड़ने के लिए व्यक्तिगत दुकानदारों के बही-खातों (उनके वित्तीय डेटा) को देखने और विशेषज्ञों से "संदिग्ध संकेतों" की एक सूची लिखने को कहा। यदि किसी दुकानदार के पास बहुत अधिक 'रेड फ्लैग्स' (चेतावनी के संकेत) होते थे, तो उसे चिह्नित कर दिया जाता था। लेकिन यह तरीका एक सुई को केवल उसके रंग को देखकर खोजने जैसा था, यह नज़रअंदाज़ करते हुए कि सुई शायद एक विशिष्ट प्रकार के बॉक्स के अंदर छिपी हो सकती है।
यह शोध पत्र टैक्स चोरी पकड़ने का एक नया, स्मार्ट तरीका पेश करता है, जिसे TED (टैक्स इवेजन डिटेक्शन) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से यहाँ समझाया गया है:
1. समस्या: यह केवल एक दुकानदार की बात नहीं है
लेखकों ने महसूस किया कि टैक्स चोरी शायद ही कभी अकेले होती है। इसमें आमतौर पर संबंधों का एक जाल शामिल होता है। एक "खराब" दुकानदार एक "खराब" सप्लायर, एक "खराब" अकाउंटेंट और एक "खराब" निवेशक से जुड़ा हो सकता है।
- पुराना तरीका: एक दुकानदार को अलग-थलग करके देखना।
- नया तरीका (TED): पूरे संबंधों के जाल (web of connections) को देखना।
लेखकों ने एक विशाल मानचित्र बनाया जिसे हेटरोजीनियस ग्राफ (Heterogeneous Graph) कहा जाता है। कल्पना कीजिए कि यह मानचित्र केवल बिंदुओं और रेखाओं के रूप में नहीं, बल्कि विभिन्न प्रकार की इमारतों वाले एक जटिल शहर के रूप में है:
- कंपनियाँ (दुकानें)
- लोग (मालिक और निवेशक)
- वस्तुएँ (बेची जाने वाली सामग्री)
- घटनाएँ (लेनदेन/ट्रांजेक्शन)
इस शहर में, रेखाएँ इन इमारतों को जोड़ती हैं। एक व्यक्ति एक कंपनी का मालिक है; एक कंपनी वस्तुओं की खरीद करती है; एक कंपनी दूसरी कंपनी को सामान बेचती है।
2. चुनौती: बहुत अधिक शोर (Noise)
इस विशाल शहर के मानचित्र के साथ समस्या यह है कि इसमें बहुत अधिक 'शोर' है। लाखों निर्दोष संबंध मौजूद हैं। एक कंपनी दूसरी कंपनी से पेंसिल खरीद सकती है क्योंकि यह एक सामान्य व्यावसायिक सौदा है। यदि आप हर कनेक्शन को देखते हैं, तो आप शोर से अभिभूत हो जाएंगे और असली अपराधियों को चूक जाएंगे।
शोध पत्र एक विशिष्ट प्रकार के संबंध की पहचान करता है जो "स्मोकिंग गन" (ठोस सबूत) है: संबंधित पक्ष लेनदेन (Related Party Transactions - RPT)।
- उपमा: कल्पना कीजिए कि दो दुकानदार जो गुप्त रूप से आपस में साले-जीजा या रिश्तेदार हैं। वे पैसे को इधर-उधर घुमाने और मुनाफे को छिपाने के लिए एक-दूसरे को नकली कीमतों पर सामान बेचते हैं। एक बाहरी व्यक्ति के लिए, यह एक सामान्य बिक्री की तरह दिखता है, लेकिन टैक्स अधिकारी के लिए, यह पैसे का एक संदिग्ध "पारिवारिक मिलन" है।
3. समाधान: "TED" जासूस
लेखकों ने एक प्रणाली बनाई जिसे TED कहा जाता है जो एक सुपर-स्मार्ट जासूस की तरह काम करती है। यह केवल पूरे शहर को नहीं देखता; यह विशेष, संदिग्ध मोहल्लों पर ध्यान केंद्रित करता है जिन्हें RPT ग्रुप्स कहा जाता है।
यहाँ बताया गया है कि TED इन दो मुख्य समस्याओं को कैसे हल करता है:
A. शोर को फ़िल्टर करना (The "High-Order" Filter)
अधिकांश कंप्यूटर प्रोग्राम उन पड़ोसियों को देखते हैं जो केवल एक कदम दूर हैं (जैसे, "कंपनी A ने किसे बेचा?")। TED गहराई तक देखता है। यह RPT ग्रुप्स को खोजता है—कनेक्शन के विशिष्ट पैटर्न जिनका उपयोग टैक्स चोरी के लिए किया जाता है (जैसे, एक व्यक्ति जो दो कंपनियों का स्वामित्व रखता है जो आपस में व्यापार करती हैं)।
- रूपक: कल्पना कीजिए कि आप एक चोर की तलाश कर रहे हैं। एक सामान्य खोज उन सभी को देखती है जो चोर के पास से गुजरे। TED भीड़ को अनदेखा करता है और केवल चोर के "आंतरिक घेरे" या उसके साथियों पर ध्यान केंद्रित करता है। इन विशिष्ट समूहों पर ध्यान केंद्रित करके, TED सामान्य व्यवसाय के निर्दोष "शोर" को फ़िल्टर कर देता है।
B. पदानुक्रमित ध्यान (The "Smart Magnifying Glass")
एक बार जब TED इन संदिग्ध समूहों को ढूंढ लेता है, तो उसे यह समझने की आवश्यकता होती है कि समूह के कौन से हिस्से सबसे खतरनाक हैं।
- इनर-RPT स्तर (Inner-RPT Level): TED एक एकल संदिग्ध समूह के भीतर देखता है। वह पूछता है, "इस पाँच लोगों के समूह में, कौन से दो सबसे संदिग्ध व्यापार कर रहे हैं?" यह प्रत्येक संबंध के महत्व को निर्धारित करने के लिए एक मल्टी-हेड अटेंशन मैकेनिज्म (इसे विभिन्न कोणों से देखने वाले कई आवर्धक लेंसों के रूप में सोचें) का उपयोग करता है।
- क्रॉस-RPT स्तर (Cross-RPT Level): इसके बाद TED पूरी कंपनी को देखता है। एक कंपनी पाँच अलग-अलग संदिग्ध समूहों में शामिल हो सकती है। TED पूछता है, "इन पाँच समूहों में से कौन सा समूह सबसे बड़ा खतरा है?" वह यह तय करने के लिए कि अंतिम निर्णय में कितना प्रभाव डालना है, प्रत्येक समूह को एक "वेट" (भार) या स्कोर देता है।
4. परिणाम: अधिक चोरों को पकड़ना
लेखकों ने वास्तविक डेटा पर TED का परीक्षण किया जो चीन के टैक्स ब्यूरो से लिया गया था। उन्होंने इसकी तुलना 13 अन्य शीर्ष-स्तरीय तरीकों (जैसे मानक AI मॉडल और विशेषज्ञ नियम प्रणालियों) से की।
- परिणाम: TED टैक्स चोरी पकड़ने में काफी बेहतर था। इसने मौजूदा सर्वोत्तम तरीकों की तुलना में डिटेक्शन सटीकता में लगभग 7.6% का सुधार किया और F1 स्कोर (एक पैमाना जो निर्दोष लोगों को गलत तरीके से दोषी ठहराए बिना चोरों को पकड़ने के बीच संतुलन बनाता है) में 8.5% का सुधार किया।
- यह क्यों काम कर गया: क्योंकि इसने अलग-थलग डेटा बिंदुओं को देखना बंद कर दिया और लोगों और कंपनियों के बीच के जटिल, छिपे हुए संबंधों को समझना शुरू कर दिया।
सारांश
टैक्स चोरी का पता लगाने को घास के ढेर में सुई खोजने के रूप में समझें।
- पुराने तरीकों ने घास के तिनके के रंग को देखकर सुई खोजने की कोशिश की।
- TED ने महसूस किया कि सुई आमतौर पर एक विशिष्ट, अजीब आकार के बॉक्स के अंदर छिपी होती है (RPT ग्रुप)। यह बाकी घास के ढेर को अनदेखा करता है, उन विशिष्ट बक्सों पर ज़ूम करता है, और यह देखने के लिए एक स्मार्ट आवर्धक लेंस का उपयोग करता है कि बॉक्स का कौन सा हिस्सा वास्तव में सुई रखता है।
शोध पत्र निष्कर्ष निकालता है कि यह विधि इतनी प्रभावी है कि इसे पहले से ही टैक्स ब्यूरो के वास्तविक जोखिम प्रबंधन सिस्टम में लागू किया जा चुका है, जो यह साबित करता है कि व्यावसायिक दुनिया में "कौन किसे जानता है" को समझना ही टैक्स धोखाधड़ी को रोकने की कुंजी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।