A Comparative Study of CNN-LSTM and Graph Neural Networks for Credit Card Fraud Detection: A Cost-Aware, Explainable, and Deployment-Ready Framework
यह अध्ययन Kaggle डेटासेट पर क्रेडिट कार्ड धोखाधड़ी का पता लगाने के लिए CNN-LSTM और ग्राफ न्यूरल नेटवर्क (GNN) मॉडलों की तुलना करता है, जिसमें यह पाया गया कि जबकि CNN-LSTM, GNN की तुलना में बेहतर प्रदर्शन करता है क्योंकि बाद वाला गुमनाम रिलेशनल फीचर्स का लाभ उठाने में असमर्थ है, परिणाम व्यावहारिक तैनाती के लिए थ्रेशोल्ड ट्यूनिंग, क्लास इम्बैलेंस हैंडलिंग और मॉडल चयन के महत्वपूर्ण महत्व को रेखांकित करते हैं।
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
डिजिटल युग में, पैसा प्रकाश की गति से चलता है। हर बार जब कोई क्रेडिट कार्ड स्वाइप या टैप किया जाता है, तो डेटा का एक जटिल जाल बनता है, जो यह रिकॉर्ड करता है कि पैसा कहाँ गया, कब गया, और कितनी राशि खर्च की गई। दशकों तक, बैंक चोरों को पकड़ने के लिए कठोर नियमों पर निर्भर रहे: यदि कोई लेनदेन एक घंटे के भीतर दो अलग-अलग देशों में हुआ, तो उसे चिह्नित करें। लेकिन जैसे-जैसे धोखाधड़ी करने वाले अधिक चतुर होते गए, ये स्थिर नियम विफल होने लगे। वे व्यवहार के उन सूक्ष्म पैटर्न को नहीं देख सके जो समय के साथ विकसित होते हैं, न ही वे विभिन्न लोगों और स्थानों के बीच छिपे संबंधों को समझ सके। तालमेल बिठाने के लिए, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस, विशेष रूप से डीप लर्निंग की ओर रुख किया, जो एक ऐसा क्षेत्र है जहाँ कंप्यूटर प्रोग्राम उदाहरणों की विशाल मात्रा का अध्ययन करके पैटर्न पहचानना सीखते हैं। इस पहेली को सुलझाने के लिए दो शक्तिशाली दृष्टिकोण उभर कर आए हैं। एक दृष्टिकोण लेनदेन की एक श्रृंखला को एक कहानी की तरह देखता है, यह देखता है कि एक व्यक्ति की खर्च करने की आदतें एक क्षण से दूसरे क्षण में कैसे बदलती हैं। दूसरा दृष्टिकोण वित्तीय दुनिया को संबंधों के एक मानचित्र के रूप में देखता है, जो लोगों या उपकरणों के उन समूहों का पता लगाने की कोशिश करता है जो चोरी करने के लिए मिलकर काम कर रहे हैं।
शोधकर्ताओं की एक टीम ने यह देखने के लिए हाथ में लिया कि जब डेटा को उसके सबसे स्पष्ट सुरागों से मुक्त कर दिया जाता है, तो इनमें से कौन सा तरीका बेहतर काम करता है। उन्होंने क्रेडिट कार्ड के रिकॉर्डों के एक व्यापक रूप से उपयोग किए जाने वाले संग्रह पर ध्यान केंद्रित किया जिसे गोपनीयता बनाए रखने के लिए बदल (scrambled) दिया गया है। इस डेटासेट में, कार्डधारकों और मर्चेंट के नाम छिपा दिए गए हैं, जिन्हें सामान्य कोडों से बदल दिया गया है। शोधकर्ताओं ने इस बदले हुए सूचना के भीतर धोखाधड़ी का शिकार करने के लिए दो अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस सिस्टम बनाए। पहला सिस्टम, एक हाइब्रिड मॉडल था, जिसने दो तकनीकों को जोड़ा: एक भाग ने संख्याओं में स्थानीय पैटर्न को देखा, जबकि दूसरे भाग ने घटनाओं के क्रम को याद रखा, जो प्रभावी रूप से कार्डधारक के खर्च की कहानी को समय के साथ पढ़ता है। दूसरा सिस्टम संबंधों को खोजने के लिए डिज़ाइन किया गया था, जो प्रत्येक कार्ड और प्रत्येक मर्चेंट को एक मानचित्र पर एक बिंदु के रूप में देखता है और उनके बीच रेखाएं खींचता है ताकि यह देखा जा सके कि क्या वे संदिग्ध समूह बनाते हैं।
परिणाम स्पष्ट और स्पष्ट थे। खर्च करने की आदतों की कहानी पढ़ने के लिए डिज़ाइन किया गया सिस्टम अत्यधिक प्रभावी साबित हुआ। गलत अलार्म उठाने से बचने के लिए अपनी संवेदनशीलता को सावधानीपूर्वक समायोजित करके, इसने लगभग 72 प्रतिशत धोखाधड़ी वाले लेनदेन की सफलतापूर्वक पहचान की और निर्दोष लोगों के गलत तरीके से आरोपित होने की संख्या को बहुत कम रखा। इसने उच्च स्तर की सटीकता हासिल की, और जब संदेह की सीमा (threshold) को सही ढंग से ट्यून किया गया, तो इसने सभी लेनदेन को लगभग 99.9 प्रतिशत सटीकता के साथ सही ढंग से वर्गीकृत किया। सिस्टम ने खर्च के व्यवहार में उन सूक्ष्म बदलावों को पहचानना सीख लिया जो अक्सर चोरी से पहले होते हैं, भले ही वह शामिल लोगों के बारे में कुछ भी न जानता हो।
इसके विपरीत, मानचित्र पर कनेक्शन खोजने के लिए डिज़ाइन किया गया सिस्टम किसी भी संकेत को खोजने में संघर्ष करता रहा। चूंकि डेटा गुमनाम था, इसलिए शोधकर्ताओं को एक नकली मानचित्र बनाना पड़ा, जिसमें उन्होंने मनमाने समूहों के आधार पर अनुमान लगाया कि कौन से लेनदेन संबंधित हो सकते हैं। वास्तविक दुनिया के संबंधों जैसे साझा उपकरणों या ज्ञात मर्चेंट संबंधों के बिना, सिस्टम के पास काम करने के लिए कुछ भी नहीं था। यह ईमानदार खरीदारों और चोरों के बीच अंतर करने में विफल रहा, और अक्सर यह अनुमान लगाता था कि लगभग हर लेनदेन धोखाधड़ी वाला है या धोखाधड़ी को पूरी तरह से छोड़ देता है। इसका प्रदर्शन इतना खराब था कि इसने इस विशिष्ट सेटिंग में चोरों को पकड़ने के लिए कोई व्यावहारिक मूल्य प्रदान नहीं किया। अध्ययन ने प्रदर्शित किया कि हालांकि कनेक्शन मैप करने का विचार शक्तिशाली है, लेकिन इसके लिए वास्तविक, बिना छिपे हुए संबंधों की आवश्यकता होती है। जब डेटा को बदल दिया जाता है, तो एक सिस्टम जो लेनदेन के क्रम और स्वयं लेनदेन के विवरण पर ध्यान केंद्रित करता है, वह कहीं अधिक श्रेष्ठ होता है।
शोधकर्ताओं ने इस क्षेत्र में सफलता को मापने के तरीके के बारे में एक महत्वपूर्ण सबक भी रेखांकित किया। समग्र सटीकता का एक सरल माप भ्रामक हो सकता है जब धोखाधड़ी दुर्लभ होती है, जैसा कि वास्तविक दुनिया में होता है। एक सिस्टम जो हर लेनदेन के लिए केवल "कोई धोखाधड़ी नहीं" का अनुमान लगाता है, वह 99 प्रतिशत से अधिक समय तक सही होगा, फिर भी वह शून्य चोरों को पकड़ेगा। टीम ने दिखाया कि प्रदर्शन के अधिक विशिष्ट मापों को देखकर, जैसे कि धोखाधड़ी को पकड़ने और गलत अलार्म से बचने के बीच का संतुलन, मॉडलों की वास्तविक क्षमताएं दृश्यमान हो जाती हैं। उन्होंने पाया कि कहानी-पढ़ने वाले मॉडल को एक बैंक की जरूरतों के अनुसार ट्यून किया जा सकता है, जिससे उन्हें यह तय करने की अनुमति मिलती है कि वे अधिक चोरों को पकड़ने के बदले कितने गलत अलार्म सहने के लिए तैयार हैं।
यह कार्य सुझाव देता है कि आज कई बैंकों द्वारा उपयोग किए जाने वाले सामान्य, बदले हुए (scrambled) डेटासेट के लिए, सबसे अच्छा दृष्टिकोण डेटा पर कनेक्शन मैप थोपने के बजाय उपयोगकर्ता की गतिविधि की टाइमलाइन पर ध्यान केंद्रित करना है। हाइब्रिड मॉडल न केवल अधिक सटीक बल्कि तेज़ भी साबित हुआ, जिससे यह वास्तविक समय के निर्णयों के लिए उपयुक्त बन गया जहाँ एक लेनदेन को एक सेकंड के अंश में स्वीकृत या अस्वीकृत किया जाना चाहिए। अध्ययन निष्कर्ष निकालता है कि उपकरण का चुनाव पूरी तरह से उपलब्ध डेटा पर निर्भर करता है। यदि किसी बैंक के पास लोगों और उपकरणों के लिंक के बारे में समृद्ध, बिना छिपी हुई जानकारी तक पहुंच है, तो कनेक्शन-मैपिंग दृष्टिकोण एक दिन चमक सकता है। लेकिन फिलहाल, गुमनाम डेटा की दुनिया में, लेनदेन के क्रम की कहानी को पढ़ने की क्षमता वित्तीय प्रणालियों को सुरक्षित रखने का सबसे विश्वसनीय तरीका 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।