Rule-to-Data Knowledge Transfer via Optimal Transport for Weakly Supervised Anomaly Detection on Transaction Graphs
यह शोध पत्र ट्रांजेक्शन-ग्राफ विसंगति पहचान (transaction-graph anomaly detection) के लिए एक कमजोर रूप से पर्यवेक्षित (weakly supervised) ढांचे का प्रस्ताव करता है जो निर्णय वृक्षों (decision trees) से प्राप्त पदानुक्रमित नियम अर्थों (hierarchical rule semantics) को निरंतर ट्रांजेक्शन निरूपणों (continuous transaction representations) के साथ संरेखित करने के लिए ऑप्टिमल ट्रांसपोर्ट का लाभ उठाता है, जिससे उच्च गुणवत्ता वाले छद्म-लेबल (pseudo-labels) उत्पन्न होते हैं और बेंचमार्क डेटासेट पर मौजूदा बेसलाइन से बेहतर प्रदर्शन होता है।
मूल पेपर CC BY 4.0 (https://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
बड़ी समस्या: अच्छे लोगों के समुद्र में बुरे लोगों को ढूँढना
कल्पना कीजिए कि आप एक बैंक मैनेजर हैं जो मनी लॉन्ड्रिंग रोकने की कोशिश कर रहे हैं। आपके पास लाखों लेनदेन का एक विशाल बहीखाता (ledger) है। अधिकांश सामान्य हैं (अच्छे लोग), लेकिन एक बहुत ही छोटा हिस्सा अवैध है (बुरे लोग)।
समस्या यह है कि आपके पास इस बात की कोई सूची नहीं है कि बुरे लोग कौन हैं। उन्हें खोजने के लिए, आपको आमतौर पर जांच और लेबल लगाने के लिए महंगे मानव विशेषज्ञों की आवश्यकता होती है। चूंकि आप हर एक लेनदेन की जांच करने का खर्च नहीं उठा सकते, इसलिए आपके पास सीखने के लिए बहुत कम "पुष्ट बुरे लोग" (confirmed bad guys) उपलब्ध हैं।
इसे हल करने के लिए, बैंक नियमों (जैसे "यदि लेनदेन $10,000 से अधिक है और रात के 3 बजे होता है, तो इसे फ्लैग करें") का उपयोग करते हैं। लेकिन ये नियम अस्त-व्यस्ट होते हैं। वे अक्सर "If-Then" कथनों की सरल सूचियों के रूप में लिखे जाते हैं, और वे हमेशा वास्तविक दुनिया के डेटा के जटिल, निरंतर पैटर्न से मेल नहीं खाते। यदि आप इन नियमों पर नए लेनदेन को लेबल करने के लिए आँख मूंदकर भरोसा करते हैं, तो आपको बहुत सारे गलत अलार्म मिल सकते हैं या असली अपराधी छूट सकते हैं।
समाधान: नियमों और डेटा के बीच एक "अनुवादक" (Translator)
लेखक एक नई प्रणाली का प्रस्ताव करते हैं जो एक अनुवादक और एक कोच की तरह कार्य करती है। वे इसे "रूल-टू-डेटा नॉलेज ट्रांसफर" कहते हैं।
इसे सिखाने की प्रक्रिया के रूप में सोचें कि कंप्यूटर को बिना अपराधियों की पूरी सूची के धोखाधड़ी को कैसे पहचानना है। यह तीन चरणों वाली प्रक्रिया है:
चरण 1: दो अलग-अलग "मस्तिष्क" बनाना
सिस्टम डेटा को देखने के दो अलग तरीके बनाता है:
- द रूल माइंड (जासूस - The Detective):
- कल्पना कीजिए कि एक जासूस है जो केवल आधिकारिक नियम पुस्तिका को जानता है। वह एक लेनदेन को देखता है और पूछता है, "क्या यह 'If-Then' तर्क के अनुरूप है?"
- केवल "हाँ/नहीं" कहने के बजाय, यह जासूस एक रूल ग्राफ (Rule Graph) बनाता है। इसे नियमों के 'फैमिली ट्री' के रूप में समझें। यह समझता है कि "उच्च राशि" और "देर रात" ऐसे जुड़े हुए नियम हैं जो अक्सर एक साथ आते हैं। यह नियमों के बीच के संबंध को समझने के लिए एक विशेष न्यूरल नेटवर्क (GNN) का उपयोग करता है, जिससे तर्क का "पदानुक्रम" (hierarchy) सुरक्षित रहता है।
- द डेटा माइंड (पर्यवेक्षक - The Observer):
- कल्पना कीजिए कि एक अन्य पर्यवेक्षक है जो नियम पुस्तिका को अनदेखा करता है और केवल लेनदेन के कच्चे नंबरों और पैटर्न को देखता है। यह पर्यवेक्षक एक मानक AI (MLP) का उपयोग करता है ताकि डेटा के आधार पर यह सीख सके कि एक "सामान्य" लेनदेन कैसा दिखता है।
चरण 2: "ऑप्टिमल ट्रांसपोर्ट" मैचमेकर
अब हमारे पास दो मस्तिष्क हैं जो अलग-अलग भाषाएं बोलते हैं। रूल माइंड "लॉजिक ट्री" में बोलता है, और डेटा माइंड "संख्याओं" में बोलता है। वे एक-दूसरे को नहीं समझते।
पेपर में ऑप्टिमल ट्रांसपोर्ट (OT) को एक मैचमेकर (Matchmaker) के रूप में पेश किया गया है।
- कल्पना कीजिए कि आपके पास "रूल क्लस्टर्स" (समान नियमों के समूह) का एक ढेर है और "ट्रांजैक्शन क्लस्टर्स" (समान डेटा के समूह) का एक ढेर है।
- मैचमेकर का काम यह पता लगाना है कि कौन सा रूल क्लस्टर किस ट्रांजैक्शन क्लस्टर में सबसे कम "प्रयास" (या लागत) के साथ फिट बैठता है।
- यह केवल लेनदेन पर कोई लेबल नहीं थोपता है। इसके बजाय, यह एक सॉफ्ट कनेक्शन बनाता है। यह कहता है, "यह लेनदेन 80% 'हाई-रिस्क' नियम समूह जैसा दिखता है और 20% 'सेफ' नियम समूह जैसा।" यह सिस्टम को बिना बहुत कठोर हुए, बिना लेबल वाले लेनदेन के लिए स्यूडो-लेबल्स (pseudo-labels) (शिक्षित अनुमान) उत्पन्न करने की अनुमति देता है।
चरण 3: "कॉन्ट्रास्टिव" कोच
मैचमेकर के होने के बावजूद, अनुमान अभी भी थोड़े शोर वाले या अनिश्चित हो सकते हैं। इसलिए, सिस्टम कॉन्ट्रास्टिव लर्निंग (Contrastive Learning) का उपयोग करके एक कोच जोड़ता है।
- कल्पना कीजिए कि एक जिम कोच है। यदि दो लेनदेन दोनों को एक ही "हाई-रिस्क" नियम समूह से जोड़ा गया है, तो कोच चिल्लाता है, "तुम दोनों समान हो! एक-दूसरे के करीब खड़े हो जाओ!"
- यदि एक को "हाई-रिस्क" और दूसरे को "सेफ" से जोड़ा गया है, तो कोच चिल्लाता है, "तुम दोनों अलग हो! दूर हट जाओ!"
- यह प्रक्रिया अनुमानों को परिष्कृत करती है। यह "संभावित धोखाधड़ी" वाले लेनदेन को धोखाधड़ी की नियम-आधारित परिभाषा के करीब खींचती है और "संभावित सुरक्षित" लेनदेन को उससे दूर धकेलती है। यह शोर को साफ करता है और अंतिम निर्णय को अधिक सटीक बनाता है।
यह बेहतर क्यों काम करता है
लेखकों ने चार अलग-अलग प्रकार के नेटवर्क पर इसका परीक्षण किया: बिटकॉइन लेनदेन, बैंक ट्रांसफर, सोशल मीडिया पोस्ट और ऑनलाइन शॉपिंग।
- पुराना तरीका: केवल नियमों का उपयोग कठोर लेबल (अच्छा/बुरा) के रूप में किया या केवल डेटा को देखा। यह अक्सर विफल रहा क्योंकि नियम बहुत कठोर होते हैं, और डेटा बहुत अव्यवस्थित होता है।
- नया तरीका: नियमों की संरचना (रूल ग्राफ) को बनाए रखकर और उन्हें डेटा के साथ जोड़ने के लिए मैचमेकर (OT) का उपयोग करके, सिस्टम ने धोखाधड़ी को पहचानने में बहुत बेहतर प्रदर्शन किया।
परिणाम
पेपर का दावा है कि उनकी विधि ने इन परीक्षणों में लगभग हर अन्य मौजूदा विधि (मानक AI मॉडल और अन्य "वीकली सुपरवाइज्ड" विधियों सहित) को पछाड़ दिया।
- इसने अधिक वास्तविक धोखाधड़ी के मामलों को पाया (उच्च रिकॉल/Recall)।
- निर्दोष लोगों को फ्लैग करने में इसने कम गलतियाँ कीं (उच्च प्रिसिजन/Precision)।
- यह तब भी अच्छी तरह काम किया जब डेटा बहुत असंतुलित था (जहाँ 99% लेनदेन सुरक्षित हैं और केवल 1% बुरे हैं)।
सारांश
संक्षेप में, यह पेपर एक ऐसी प्रणाली बनाता है जो न तो केवल नियमों का अंधाधुंध पालन करती है और न ही केवल डेटा पर अंधा भरोसा करती है। इसके बजाय, यह:
- विशेषज्ञ नियमों की संरचना का सम्मान करती है (एक जासूस के लॉजिक ट्री की तरह)।
- एक गणितीय "मैचमेकर" (ऑप्टिमल ट्रांसपोर्ट) का उपयोग करके उन नियमों को डेटा की भाषा में अनुवादित करती है।
- सिस्टम को समान चीजों को एक साथ रखने और अलग चीजों को अलग रखने के लिए प्रशिक्षित करती है (कॉन्ट्रास्टिव लर्निंग)।
यह बैंकों को मनी लॉन्डर को अधिक प्रभावी ढंग से पकड़ने की अनुमति देता है, भले ही उनके पास इस बात की सटीक सूची न हो कि वे किसे ढूंढ रहे हैं।
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।