A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions

पैसे की डिजिटल दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हर व्यक्ति, बैंक खाता और क्रेडिट कार्ड एक इमारत है, और जब भी कोई पैसा भेजता या प्राप्त करता है, तो उनके बीच एक नया रास्ता बनता है। इस शहर में, अधिकांश लोग ईमानदार नागरिक हैं जो अपने दैनिक कार्यों में लगे हुए हैं, लेकिन धोखेबाजों का एक छोटा, चालाक समूह है जो बैंकों से चोरी करने की कोशिश कर रहा है। लंबे समय तक, सुरक्षा गार्डों (पुराने कंप्यूटर प्रोग्रामों) ने इन इमारतों को देखकर या यह जाँचकर कि क्या कोई विशिष्ट रास्ता संदिग्ध लग रहा है, चोरों को पकड़ने की कोशिश की। चोर समझदार हो गए; उन्होंने टीमों में काम करना शुरू कर दिया, नकली सड़कों और छिपे हुए शॉर्टकट के जटिल नेटवर्क का उपयोग करते हुए जिन्हें एक साधारण गार्ड नहीं देख सकता था। यहीं पर "ग्राफ न्यूरल नेटवर्क" नामक एक नया विज्ञान आता है। एक समय में एक इमारत को देखने के बजाय, ये स्मार्ट सिस्टम एक साथ पूरे शहर के मानचित्र को देखते हैं, यह समझते हुए कि इमारतें आपस में कैसे जुड़ी हुई हैं। वे न केवल इसलिए चोर को पहचान सकते हैं क्योंकि वह अजीब लग रहा है, बल्कि इसलिए भी क्योंकि वह एक अजीब पड़ोस में घूम रहा है या एक ऐसा अजीब रास्ता ले रहा है जिसे कोई ईमानदार व्यक्ति नहीं लेगा। बड़ा सवाल यह है कि वैज्ञानिक यह पूछ रहे हैं: क्या हम एक ऐसा सुरक्षा तंत्र बना सकते हैं जो प्रति सेकंड लाखों लेनदेन की निगरानी करने के लिए पर्याप्त तेज़ हो, पूरे शहर को देखने के लिए पर्याप्त स्मार्ट हो, और ईमानदार लोगों को रोके बिना सबसे चतुर चोरों को पकड़ने के लिए पर्याप्त तेज़ हो?

यही वह सवाल है जिसे मोहम्मद अमीन हेचमी का शोध पत्र, "A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions," हल करने का प्रयास करता है। लेखक एक नया, सुपर-पावर्ड सुरक्षा तंत्र प्रस्तावित करते हैं जिसे HybridWaveletGNN कहा जाता है। इस प्रणाली को एक ऐसे जासूसी दल के रूप में सोचें जो एक दस्ते में विभिन्न सुपरपावर्स को जोड़ता है। सबसे पहले, उनके पास एक "पड़ोस की निगरानी" (ग्राफ कनवल्शनल नेटवर्क) है जो यह जाँचती है कि आपके तत्काल मित्र कौन हैं। दूसरा, उनके पास एक "स्मार्ट स्पॉटलाइट" (ग्राफ अटेंशन नेटवर्क) है जो ज़ूम इन कर सकती है और कह सकती है, "हे, यह विशिष्ट मित्र संदिग्ध व्यवहार कर रहा है, इस पर ध्यान दें!" जबकि इस शोध पत्र का सैद्धांतिक डिज़ाइन पूरे शहर में कनेक्शन देखने के लिए एक "लॉन्ग-डिस्टेंस टेलीस्कोप" (ग्राफ ट्रांसफॉर्मर) जोड़ने का सुझाव देता है, इस अध्ययन में विशिष्ट प्रयोग ने एक शक्तिशाली हाइब्रिड मॉडल बनाने के लिए 'पड़ोस की निगरानी' को 'स्मार्ट स्पॉटलाइट' के साथ जोड़ने पर ध्यान केंद्रित किया।

लेकिन यहाँ वास्तव में दिलचस्प हिस्सा है: टीम एक विशेष उपकरण भी जोड़ती है जिसे Graph Wavelets कहा जाता है। कल्पना करें कि यदि शहर में धुंध की परतें हों, और धोखेबाज घनी धुंध में छिपे हों जबकि ईमानदार लोग साफ हवा में हों। एक सामान्य कैमरा धुंध के कारण भ्रमित हो सकता है, लेकिन एक वेवलेट टूल एक विशेष लेंस की तरह है जो परतों को हटा सकता है, शहर को एक विस्तृत कोण से देखने और फिर एक साथ बारीकी से ज़ूम करने में सक्षम है। यह प्रणाली को सूक्ष्म, अलग-थलग चालों और बड़े, समन्वित आपराधिक गिरोहों दोनों को पहचानने में मदद करता है।

शोध पत्र इस नए जासूसी दस्ते का परीक्षण मोबाइल मनी लेनदेन के एक विशाल सिमुलेशन पर करता है जिसे PaySim कहा जाता है, जिसमें 6,362,620 से अधिक लेनदेन शामिल हैं। इस सिमुलेशन में, अधिकांश लेनदेन ईमानदार हैं, और केवल बहुत कम धोखाधड़ी वाले हैं, जिससे यह एक बहुत ही कठिन परीक्षण बन जाता है। शोधकर्ताओं ने एक NVIDIA Tesla T4 GPU वाले कंप्यूटर का उपयोग करके अपना मॉडल बनाया और इसे 50 राउंड (जिन्हें एपोक कहा जाता है) के प्रशिक्षण के लिए चलाया। उन्होंने अपने नए HybridWaveletGNN की तुलना एक मानक "पड़ोस की निगरानी" मॉडल (एक बुनियादी ग्राफ अटेंशन नेटवर्क) से की।

परिणाम बताते हैं कि नया हाइब्रिड दल अपने काम में काफी बेहतर है। सिमुलेशन में, मानक मॉडल ने लगभग 75.83% धोखाधड़ी (रिकॉल) पकड़ी, जिसकी शुद्धता (प्रिसिजन) 0.8793 थी, जिसके परिणामस्वरूप F1-स्कोर 0.8143 था। हालाँकि, नए HybridWaveletGNN मॉडल ने इन आंकड़ों में सुधार किया, 81.81% धोखाधड़ी पकड़ी, जिसकी शुद्धता 0.9189 थी और F1-स्कोर 0.8656 था। इसने "एरिया अंडर द कर्व" (AUC) पर भी उच्च स्कोर प्राप्त किया, जो मानक मॉडल के 0.9526 की तुलना में 0.9656 तक पहुँच गया। शोध पत्र दिखाता है कि डेटा को देखने के विभिन्न तरीकों को मिलाने से, नया मॉडल गलत अलार्म को कम रखते हुए बुरे लोगों को पकड़ने में बेहतर है।

लेखक ने इस प्रणाली को "स्ट्रीमिंग" के लिए भी डिज़ाइन किया है, जिसका अर्थ है कि यह चलते-फिरते सीख सकती है। जैसे-जैसे नए लेनदेन होते हैं, मॉडल बिना दोबारा शुरू किए तुरंत अपनी मेमोरी को अपडेट करता है, जो वास्तविक दुनिया के बैंकिंग के लिए महत्वपूर्ण है जहाँ गति मायने रखती है। उन्होंने एक "ग्लोबल कॉन्फिडेंस डिग्री" चेक भी जोड़ा है, जो एक अंतर्ज्ञान (गट फीलिंग) की तरह कार्य करता है: यदि कोई लेनदेन बाकी शहर के सामान्य व्यवहार से बहुत अलग दिखता है, तो सिस्टम उसे फ्लैग कर देता है भले ही वह अपने आप में संदिग्ध न दिखे।

हालाँकि इस सिमुलेशन के परिणाम आशाजनक हैं, शोध पत्र नोट करता है कि यह एक वास्तविक दुनिया के समाधान की ओर एक कदम है, न कि एक पूर्ण उत्पाद। लेखक का सुझाव है कि भविष्य के कार्य में और भी अधिक परतें जोड़ी जा सकती हैं, जैसे लेनदेन के सटीक समय (टेम्पोरल डायनेमिक्स) को समझना या यह समझाना कि सिस्टम ने किसी लेनदेन को क्यों फ्लैग किया ताकि बैंक इस पर अधिक भरोसा कर सकें। फिलहाल के लिए, शोध पत्र यह प्रदर्शित करता है कि विभिन्न प्रकार की ग्राफ इंटेलिजेंस को विशेष वेवलेट टूल्स के साथ मिलाने से हमारे डिजिटल पैसे को धोखेबाजों की बदलती चालों से बचाने के लिए एक अधिक मजबूत और सटीक तरीका बनता है।