Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
यह शोध पत्र ProtoCP प्रस्तुत करता है, जो टेम्पोरल ग्राफ्स पर एज-लेवल फ्रॉड डिटेक्शन के लिए एक कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क है, जो बेनाइन-डॉमिनेटेड नेबरहुड्स और क्लास इम्बैलेंस के कारण होने वाली कैलिब्रेशन अक्षमताओं को दूर करने के लिए लर्नड प्रोटोटाइप्स और टेम्पोरल स्कोर डिफ्यूजन का लाभ उठाता है, जिससे स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में काफी छोटे प्रेडिक्शन सेट्स के साथ टार्गेट कवरेज प्राप्त किया जा सकता है।
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
डिजिटल दुनिया में, ऑनलाइन मार्केटप्लेस से लेकर बैंकिंग ऐप्स तक, धोखाधड़ी एक निरंतर साया बनी हुई है। यह लेनदेन और अंतःक्रियाओं के जटिल जाल में छिपी रहती है, जहाँ एक संदिग्ध कार्य को लाखों वैध कार्यों के बीच दबाया जा सकता है। इन बुरे तत्वों को पकड़ने के लिए, कंप्यूटर सिस्टम आर्टिफिशियल इंटेलिजेंस का उपयोग उन पैटर्न को पहचानने के लिए करते हैं जिन्हें इंसान शायद छोड़ दें। ये सिस्टम एक अनुमान लगाने में अच्छे होते हैं: क्या यह लेनदेन सुरक्षित है, या यह एक घोटाला है? लेकिन जब पैसा और विश्वास दांव पर हो, तो केवल एक अनुमान काफी नहीं है। यदि कोई सिस्टम गलत होने पर भी खुद पर बहुत अधिक आश्वस्त होता है, तो यह निर्दोष लोगों को रोकने या चोरों को फिसलने देने के कारण वास्तविक नुकसान पहुँचा सकता है। आवश्यकता इस बात की है कि कंप्यूटर को यह पता चले कि वह अनिश्चित है, और वह उस अनिश्चितता को एक औपचारिक गारंटी के साथ स्वीकार कर सके। यह 'कॉन्फ़ॉर्मल प्रेडिक्शन' (conformal prediction) नामक एक गणितीय उपकरण का वादा है। केवल एक उत्तर देने के बजाय, यह संभावनाओं की एक छोटी सूची प्रदान करता है जो गणितीय रूप से अधिकांश समय सत्य को समाहित करने की गारंटी देती है। यह एक सुरक्षा जाल की तरह है जो यह सुनिश्चित करता है कि सिस्टम कभी भी तब तक निश्चित होने का दावा न करे जब वह वास्तव में केवल अनुमान लगा रहा हो।
हालाँकि, चुनौती यह है कि धोखाधड़ी बहुत चालाकी भरी होती है। यह अक्सर सामान्य व्यवहार के समूहों के भीतर छिपी रहती है, जिससे इसे भीड़ से अलग करना कठिन हो जाता है। इसके अलावा, धोखाधड़ी दुर्लभ है। सामान्य लेनदेन के समुद्र में, कुछ बुरे लेनदेन घास के ढेर में सुई खोजने के समान हैं। जब शोधकर्ताओं ने इस समस्या पर मानक सुरक्षा जाल लागू करने की कोशिश की, तो उन्होंने पाया कि वे जाल बहुत ढीले थे। सिस्टम संभावनाओं की ऐसी सूचियाँ बना रहे थे जो इतनी बड़ी थीं कि वे बेकार थीं, या वे धोखाधड़ी को पकड़ने में विफल रहे क्योंकि दुर्लभ बुरे उदाहरणों को सामान्य अच्छे उदाहरणों द्वारा दबा दिया गया था। मौजूदा तरीकों ने लेनदेन नेटवर्क में प्रत्येक पड़ोसी को समान रूप से महत्वपूर्ण माना, लेकिन धोखाधड़ी में, एक संदिग्ध लेनदेन उन निर्दोषों से घिरा हो सकता है जो वास्तव में एक भेष का हिस्सा हैं।
इसे हल करने के लिए, एमोरी यूनिवर्सिटी और इलिनॉय विश्वविद्यालय de शिकागो की एक टीम ने 'प्रोटोसीपी' (ProtoCP) नामक एक नया दृष्टिकोण विकसित किया। उनका लक्ष्य एक ऐसा सुरक्षा जाल बनाना था जो उपयोग के लिए पर्याप्त सटीक और विश्वसनीय रूप से मजबूत हो, भले ही धोखाधड़ी साफ़ तौरता से छिपी हो और अत्यंत दुर्लभ हो। उन्होंने महसूस किया कि एक अच्छा निर्णय लेने के लिए, कंप्यूटर को सही संदर्भ को देखने की आवश्यकता है। एक लेनदेन और उसके पड़ोसियों को एक अस्त-व्यस्त, मिश्रित ढेर के रूप में देखने के बजाय, उन्होंने सिस्टम को धोखाधड़ी आमतौर पर कैसे व्यवहार करती है, इसके विशिष्ट "पैटर्न" या प्रोटोटाइप को पहचानने के लिए प्रशिक्षित किया। कल्पना कीजिए कि एक धोखेबाज अक्सर एक विशिष्ट प्रकार के डिवाइस का उपयोग करता है या खातों के एक विशिष्ट समूह से जुड़ता है; सिस्टम इन आवर्ती पैटर्न को पहचानना सीखता है।
शोधकर्ताओं ने एक ऐसी विधि बनाई जो पहले इन पैटर्न की पहचान करती है और फिर डेटा को साफ करने के लिए उनका उपयोग करती है। जब सिस्टम किसी लेनदेन की जांच करता है ताकि यह तय किया जा सके कि वह सुरक्षित है या नहीं, तो वह अपने आस-पास के नेटवर्क को देखता है। लेकिन हर नजदीकी लेनदेन को समान रूप से सुनने के बजाय, यह शोर को बाहर करने के लिए सीखे गए पैटर्न का उपयोग करता है। यह उन पड़ोसियों पर ध्यान केंद्रित करता है जो वास्तव में उन धोखाधड़ी पैटर्न की तरह दिखते हैं जिन्हें इसने सीखा है, और उन पड़ोसियों को अनदेखा करता है जो केवल सामान्य, हानिरहित गतिविधि हैं। यह स्थिति की एक स्पष्ट तस्वीर बनाता है। एक बार जब सिस्टम के पास यह स्पष्ट दृश्य होता है, तो यह एक स्कोर की गणना करता है ताकि यह माप सके कि लेनदेन कितना अजीब दिखता है। इस स्कोर को और अधिक विश्वसनीय बनाने के लिए, सिस्टम लेनदेन की तुलना केवल एक संख्या से नहीं, बल्कि इसके तत्काल, फ़िल्टर किए गए पड़ोसियों से अंतर के आधार पर करता है। यदि कोई लेनदेन अपने संदिग्ध पड़ोसियों से बहुत अलग दिखता है, तो उसे उच्च चेतावनी स्कोर मिलता है।
अंत में, शोधकर्ताओं ने परिणामों को समय के साथ सुचारू बनाने के लिए एक चरण जोड़ा। धोखेबाज अपनी रणनीतियाँ बदलते हैं, और जो कल धोखाधड़ी जैसा दिखता था वह आज अलग दिख सकता है। नया तरीका जानकारी को समय के साथ फैलाता है, ताकि डेटा में अचानक आने वाला कोई भ्रमित करने वाला उछाल पूरे सिस्टम को असंतुलित न कर दे। यह सिस्टम को स्थिर रहने की अनुमति देता है भले ही धोखेबाज विकसित हो रहे हों। जब टीम ने चार अलग-अलग वास्तविक दुनिया के डेटासेट्स पर, जिसमें वित्तीय लेनदेन और ऑनलाइन समीक्षाएं शामिल थीं, इस नई विधि का परीक्षण किया, तो यह पिछले किसी भी तरीके से बेहतर प्रदर्शन कर रहा था। इसने सुरक्षा जाल को तंग रखने में सफलता प्राप्त की, जिससे संभावनाओं की छोटी सूचियाँ बनीं जिन्हें मनुष्यों द्वारा समीक्षा करना आसान था, जबकि इसने धोखाधड़ी को उस दर पर पकड़ा जिसका उन्होंने वादा किया था। वास्तव में, दुर्लभ धोखाधड़ी के मामलों के लिए, नया तरीका बिना अत्यधिक सावधान हुए उन्हें पकड़ने में बहुत बेहतर था, जबकि पुराने तरीके या तो धोखाधड़ी को मिस कर देते थे या इतनी बड़ी सूचियाँ बना देते थे जो अव्यवहारिक थीं।
अध्ययन से पता चलता है कि सिस्टम को धोखाधड़ी के विशिष्ट आकार को पहचानने और सामान्य व्यवहार के शोर को अनदेखा करने के लिए प्रशिक्षित करके, हम आर्टिफिशियल इंटेलिजेंस को बहुत अधिक विश्वसनीय बना सकते हैं। शोधकर्ताओं ने पाया कि उनके दृष्टिकोण ने धोखाधड़ी की अत्यधिक दुर्लभता और बुरे तत्वों की बदलती प्रकृति को सफलतापूर्वक संभाला, जिससे यह सिद्ध हुआ कि उच्च सटीकता और अनिश्चितता का स्पष्ट, ईमानदार माप होना संभव है। इसका अर्थ है कि भविष्य में, ऑनलाइन प्लेटफॉर्म इन उपकरणों का उपयोग अधिक विश्वास के साथ संदिग्ध गतिविधि को चिह्नित करने के लिए कर सकते हैं, जिससे ईमानदार लोगों को अनावश्यक परेशानी दिए बिना उपयोगकर्ताओं की सुरक्षा की जा सके। यह कार्य सुझाव देता है कि धोखाधड़ी को पकड़ने की कुंजी केवल अधिक गहराई से देखना नहीं है, बल्कि सही कनेक्शनों को अधिक समझदारी से देखना 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।