तकनीकी सारांश: क्रेडिट कार्ड धोखाधड़ी का पता लगाने के लिए CNN-LSTM और ग्राफ न्यूरल नेटवर्क का एक तुलनात्मक अध्ययन

1. समस्या विवरण (Problem Statement)

डिजिटल लेनदेन के तीव्र विस्तार ने पारंपरिक नियम-आधारित धोखाधड़ी पहचान प्रणालियों को पीछे छोड़ दिया है, जो आधुनिक वित्तीय डेटा में निहित गैर-रेखीय (nonlinear), टेम्पोरल (temporal) और रिलेशनल पैटर्न को पकड़ने में संघर्ष करती हैं। हालांकि डीप लर्निंग एक समाधान प्रदान करती है, लेकिन अनुक्रमिक डीप आर्किटेक्चर (विशेष रूप से CNN-LSTM) और ग्राफ-आधारित रिलेशनल मॉडल (ग्राफ न्यूरल नेटवर्क, या GNNs) के बीच एक निष्पक्ष, नियंत्रित तुलना के संबंध में साहित्य में एक महत्वपूर्ण अंतर मौजूद है।

इसके अलावा, धोखाधड़ी का पता लगाना अत्यधिक क्लास इम्बैलेंस (अक्सर <0.2% धोखाधड़ी मामले) की गंभीर चुनौती का सामना करता है, जहाँ मानक सटीकता मेट्रिक्स भ्रामक होते हैं। मौजूदा अध्ययनों में अक्सर समान प्रीप्रोसेसिंग, वैलिडेशन प्रोटोकॉल और फेयरनेस-अवेयर ऑप्टिमाइज़ेशन का उपयोग करके साइड-बाय-साइड तुलना का अभाव होता है, जिससे यह निर्धारित करना कठिन हो जाता है कि गुमनाम (anonymized), फीचर-रिच ट्रांजेक्शन डेटा के लिए कौन सा प्रतिमान (paradigm) बेहतर है।

2. कार्यप्रणाली (Methodology)

लेखकों ने सार्वजनिक Kaggle "Credit Card Fraud Detection" डेटासेट (284,807 लेनदेन, 492 धोखाधड़ी) का उपयोग करके एक नियंत्रित, एंड-टू-एंड तुलनात्मक अध्ययन किया। अध्ययन में दोनों मॉडलों के लिए समान डेटा स्प्लिट (70% प्रशिक्षण, 15% वैलिडेशन, 15% परीक्षण), प्रीप्रोसेसिंग और मूल्यांकन मेट्रिक्स का उपयोग किया गया।

डेटा प्रीप्रोसेसिंग और इम्बैलेंस हैंडलिंग

• नॉर्मलाइजेशन (Normalization): फीचर्स को स्टैंडर्ड स्केलर का उपयोग करके मानकीकृत किया गया।
• क्लास इम्बैलेंस (Class Imbalance): प्रशिक्षण के दौरान एक क्लास-वेटिंग दृष्टिकोण लागू किया गया, जिसमें अल्पसंख्यक (धोखाधड़ी) वर्ग को उच्च लॉस वेट दिए गए।
• थ्रेशोल्ड ट्यूनिंग (Threshold Tuning): प्रिसिजन और रिकॉल के बीच संतुलन बनाने के लिए डिफ़ॉल्ट 0.5 कटऑफ से आगे बढ़कर, वैलिडेशन सेट पर F1-स्कोर को अधिकतम करने के लिए निर्णय थ्रेशोल्ड को अनुकूलित किया गया।

मॉडल आर्किटेक्चर

1. CNN-LSTM (अनुक्रमिक/हाइब्रिड):

   • संरचना: स्थानीय फीचर सहसंबंधों को निकालने के लिए एक 1D कनवल्शनल लेयर (64 फिल्टर्स), उसके बाद बैच नॉर्मलाइजेशन, टेम्पोरल डिपेंडेंसीज को कैप्चर करने के लिए एक बायडायरेक्शनल LSTM (128 यूनिट्स), ग्लोबल एवरेज पूलिंग, ड्रॉपआउट (0.3), और एक सिग्मॉइड आउटपुट।
   • तर्क: इसे बिना किसी स्पष्ट रिलेशनल ग्राफ की आवश्यकता के स्थानिक फीचर इंटरैक्शन और अनुक्रमिक गतिशीलता को एक साथ कैप्चर करने के लिए डिज़ाइन किया गया है।
   • प्रशिक्षण: एडम ऑप्टिमाइज़र, बाइनरी क्रॉस-एन्ट्रॉपी लॉस, 25 एपोक्स।

2. ग्राफ न्यूरल नेटवर्क (GNN):

   • संरचना: एक GraphSAGE फ्रेमवर्क। डेटासेट की गुमनाम प्रकृति के कारण (कोई स्पष्ट रिलेशनल एट्रिब्यूट नहीं), एक सिंथेटिक स्यूडो-ग्राफ बनाया गया। कार्डधारकों और मर्चेंट्स को नोड्स के रूप में और लेनदेन को एड्ज (edges) के रूप में माना गया, जिसमें मर्चेंट बिनिंग के लिए क्वांटाइल डिस्क्रीटाइजेशन का उपयोग किया गया।
   • तर्क: रिलेशनल संरचनाओं को मॉडल करने और मिलीभगत वाले व्यवहार (fraud rings) का पता लगाने के लिए डिज़ाइन किया गया।
   • प्रशिक्षण: लॉजिट्स के साथ बाइनरी क्रॉस-एन्ट्रॉपी (वेटेड) और एक फोकल लॉस वेरिएंट। दो संस्करणों का परीक्षण किया गया: मानक वेटिंग और क्लिप्ड वेट्स के साथ फोकल लॉस।

मूल्यांकन मेट्रिक्स (Evaluation Metrics)

अध्ययन ने रॉ एक्यूरेसी के बजाय असंतुलन के प्रति संवेदनशील मेट्रिक्स को प्राथमिकता दी:

• प्रिसिजन, रिकॉल, F1-स्कोर: धोखाधड़ी वर्ग की पहचान का मूल्यांकन करने के लिए।
• ROC-AUC और PR-AUC: थ्रेशोल्ड से स्वतंत्र भेदभाव क्षमता को मापने के लिए, जिसमें विशेष रूप से असंतुलित डेटासेट के लिए PR-AUC को हाइलाइट किया गया।
• लेटेंसी (Latency): वास्तविक समय में तैनाती की व्यवहार्यता का आकलन करने के लिए प्रति सैंपल औसत अनुमान समय (inference time)।

3. मुख्य परिणाम (Key Results)

प्रायोगिक परिणामों ने इस विशिष्ट डेटासेट पर दोनों आर्किटेक्चर के बीच एक स्पष्ट प्रदर्शन अंतर प्रकट किया:

• CNN-LSTM का प्रदर्शन:

  • थ्रेशोल्ड ट्यूनिंग (0.9995 पर अनुकूलित) के बाद, मॉडल ने 0.9138 का प्रिसिजन, 0.7162 का रिकॉल और 0.8030 का F1-स्कोर प्राप्त किया।
  • इसने 0.9795 का उच्च ROC-AUC बनाए रखा।
  • बेसलाइन मॉडल (थ्रेशोल्ड 0.5) ने 0.8124 का PR-AUC प्राप्त किया; हालाँकि, सेक्शन 5.1 नोट करता है कि थ्रेशोल्ड कैलिब्रेशन के बाद, प्रिसिजन-रिकॉल एरिया 0.792 था।
  • मॉडल ने कम लेटेंसी प्रदर्शित की, जो इसे रियल-टाइम इन्फरेंस के लिए उपयुक्त बनाती है।

• GNN का प्रदर्शन:

  • GNN काफी संघर्ष करता रहा। सेक्शन 4.3 रिपोर्ट करता है कि बेसलाइन मॉडल (BCE के साथ pos_weight) के लिए PR-AUC केवल 0.012 और ROC-AUC 0.711 था, जिसमें प्रिसिजन 0.0045 और रिकॉल 0.5135 था।
  • टेबल 2 में GNN (BCE) के लिए 0.0021 का PR-AUC सूचीबद्ध है, जो टेक्स्ट विवरण और सारणीबद्ध परिणामों के बीच विसंगति को दर्शाता है।
  • फोकल लॉस के साथ भी, मॉडल धोखाधड़ी को पहचानने में विफल रहा, और अक्सर सभी लेनदेन को धोखाधड़ी के रूप में प्रेडिक्ट करता रहा (जीरो प्रिसिजन/रिकॉल)।
  • लेखक इस विफलता का कारण गुमनाम डेटा में सार्थक रिलेशनल डेटा की कमी को बताते हैं; सिंथेटिक ग्राफ निर्माण GNN को सीखने के लिए पर्याप्त सिग्नल उत्पन्न नहीं कर सका।

4. मुख्य योगदान (Key Contributions)

• नियंत्रित तुलनात्मक ढांचा: पेपर एक समान डेटासेट, प्रीप्रोसेसिंग और हाइपरपैरामीटर ट्यूनिंग प्रोटोकॉल का उपयोग करके CNN-LSTM और GNN के बीच एक पुनरुत्पादनीय (reproducible), निष्पक्ष तुलना प्रदान करता है, जो मौजूदा साहित्य के अंतराल को भरता है।
• गुमनाम डेटा पर अनुभवजन्य साक्ष्य: अध्ययन यह प्रदर्शित करता है कि जबकि GNNs रिलेशनल धोखाधड़ी का पता लगाने के लिए सैद्धांतिक रूप से शक्तिशाली हैं, वे अत्यधिक गुमनाम, फीचर-ओनली डेटासेट पर सामान्यीकरण करने में विफल रहते हैं जहाँ स्पष्ट रिलेशनल एट्रिब्यूट्स (जैसे साझा डिवाइस, मर्चेंट नेटवर्क) अनुपस्थित होते हैं।
• थ्रेशोल्ड कैलिब्रेशन का महत्व: शोध इस बात पर जोर देता है कि अत्यधिक स्क्यूड डोमेन में प्रिसिजन को बिना रिकॉल से समझौता किए सुधारने के लिए थ्रेशोल्ड ट्यूनिंग महत्वपूर्ण है।
• मेट्रिक चयन: पेपर अत्यधिक असंतुलित डेटासेट में धोखाधड़ी का पता लगाने की क्षमताओं का यथार्थवादी मूल्यांकन प्रदान करने के लिए एक्यूरेसी के बजाय PR-AUC और F1-स्कोर के उपयोग की वकालत करता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि गुमनाम, फीचर-रिच ट्रांजेक्शन डेटा के लिए, CNN-LSTM आर्किटेक्चर GNNs की तुलना में बेहतर हैं। हाइब्रिड मॉडल बाहरी ग्राफ संरचनाओं की आवश्यकता के बिना टेम्पोरल सीक्वेंसिंग और फीचर इंटरैक्शन का सफलतापूर्वक लाभ उठाता है।

लेखक इस बात पर जोर देते हैं कि डेटा की विशेषताएं मॉडल की उपयुक्तता तय करती हैं:

• CNN-LSTM उन वातावरणों में रियल-टाइम, फीचर-आधारित डिटेक्शन के लिए पसंदीदा विकल्प है जहाँ रिलेशनल डेटा उपलब्ध नहीं है या गुमनाम है।
• GNNs मूल्यवान बने हुए हैं लेकिन वे प्रभावी ढंग से कार्य करने के लिए स्पष्ट रिलेशनल एट्रिब्यूट्स (जैसे क्रॉस-मर्चेंट नेटवर्क, डिवाइस शेयरिंग) की उपलब्धता पर निर्भर हैं।

अध्ययन निष्कर्ष निकालता है कि भविष्य के धोखाधड़ी पहचान प्रणालियों को ऐसे हाइब्रिड दृष्टिकोण से लाभ हो सकता है जो सीक्वेंस मॉडलिंग को ग्राफ रीजनिंग के साथ जोड़ते हैं, बशर्ते आवश्यक रिलेशनल डेटा सुलभ हो। यह एआई अनुसंधान में मेथडोलॉजिकल रिगर (methodological rigor) की आवश्यकता को भी रेखांकित करता है, जिससे यह सुनिश्चित हो सके कि तुलनाएं असमान प्रीप्रोसेसिंग या मूल्यांकन मेट्रिक्स से प्रभावित न हों।