Online Calibration of Account-Specific Risk Sensitivity from Local Behavioural Distances in Streaming Banking Transactions

तकनीकी सारांश: खाता-विशिष्ट जोखिम संवेदनशीलता का ऑनलाइन अंशांकन (Online Calibration)

समस्या विवरण
डिजिटल बैंकिंग में, धोखाधड़ी जोखिम मूल्यांकन अक्सर k-निकटतम पड़ोसी (k-Nearest Neighbour - k-NN) जैसे उदाहरण-आधारित तरीकों पर निर्भर करता है, जहाँ एक नए लेनदेन का मूल्यांकन ऐतिहासिक अवलोकनों के साथ तुलना करके किया जाता है। इस अध्ययन में पहचानी गई एक महत्वपूर्ण सीमा यह है कि एक एकल, स्थिर संवेदनशीलता पैरामीटर सभी खातों के लिए "स्थानीय व्यवहार संबंधी दूरियों" को जोखिम स्कोर में प्रभावी ढंग से बदलने की धारणा रखता है। खाते विभिन्न स्तरों की व्यवहारिक नियमितता प्रदर्शित करते हैं: अत्यधिक सजातीय खाते (कम स्वाभाविक विचलन) सूक्ष्म धोखाधड़ी का पता लगाने के लिए उच्च संवेदनशीलता की आवश्यकता रख सकते हैं, जबकि अत्यधिक परिवर्तनशील खाते (उच्च स्वाभाविक विचलन) गलत सकारात्मक परिणामों (false positives) से बचने के लिए कम संवेदनशीलता की आवश्यकता रख सकते हैं। एक समान संवेदनशीलता थ्रेशोल्ड लागू करना व्यक्तिगत खातों की इन विशिष्टताओं को समझने में विफल रहता है, जिससे परिवर्तनशील खातों के लिए अत्यधिक गलत सकारात्मक परिणाम या कठोर खातों के लिए पहचान में चूक होने की संभावना रहती है। यह अध्ययन स्ट्रीमिंग वातावरण के भीतर व्यक्तिगत खातों के विशिष्ट व्यवहारिक इतिहास के आधार पर संवेदनशीलता पैरामीटर ($\gamma_a$) को गतिशील रूप से अनुकूलित करने की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
यह अध्ययन एक ऑनलाइन अंशांकन प्रक्रिया का प्रस्ताव करता है और मूल्यांकन करता है जो स्थानीय व्यवहारिक दूरियों से एक खाता-विशिष्ट जोखिम संवेदनशीलता पैरामीटर ($\gamma_a$) का अनुमान लगाता है। कार्यप्रणाली IEEE-CIS धोखाधड़ी पहचान बेंचमार्क का उपयोग करते हुए एक स्ट्रीमिंग फ्रेमवर्क के भीतर संचालित होती है।

1. खाता योग्यता (Account Qualification): केवल वे खाते जिनके पास पर्याप्त ऐतिहासिक संदर्भ (कम से कम 20 लेनदेन और 30 दिनों का इतिहास) है, अंशांकन के लिए पात्र हैं। 8,499 खातों के एक संयोजित डेटासेट में से 608 (7.15%) ने इन मानदंडों को पूरा किया।
2. स्थानीय व्यवहारिक संदर्भ पूल (Local Behavioural Reference Pool - BRP): प्रत्येक आने वाले लेनदेन के लिए, सिस्टम खाते के इतिहास से एक "संबंध-स्थानीय" (relationship-local) उम्मीदवार सेट प्राप्त करता है। यह रिट्रीवल एक पदानुक्रमित संरचना (स्थान, डिवाइस और प्राप्तकर्ता का सटीक त्रिक मिलान; फिर जोड़े; फिर एकल) का पालन करता है ताकि प्रासंगिकता सुनिश्चित की जा सके।
3. व्यवहारिक विचलन और दूरी: लेनदेन को चार विचलन आयामों द्वारा दर्शाया जाता है: नवीनता (recency), सामयिक (temporal), राशि (amount), और संरचनात्मक (structural)। आने वाले लेनदेन और रिट्रीव किए गए उम्मीदवारों के बीच एक भारित यूक्लिडियन दूरी (weighted Euclidean distance) की गणना की जाती है।
4. जोखिम मूल्यांकन: उम्मीदवार पूल से $k$-निकटतम पड़ोसियों का उपयोग करके लेनदेन जोखिम ($R_q$) की गणना की जाती है। जोखिम फलन को $R_q(\gamma_a) = \frac{1}{k} \sum \frac{d_{qi}}{\gamma_a + d_{qi}}$ के रूप में परिभाषित किया गया है, जहाँ $d_{qi}$ व्यवहारिक दूरी है और $\gamma_a$ संवेदनशीलता पैरामीटर है।
5. ऑनलाइन अंशांकन: मुख्य नवाचार $\gamma_a$ का वृद्धिशील अपडेट (incremental update) है।
   • अवलोकन: यदि एक लेनदेन को वैध के रूप में सत्यापित किया जाता है, तो संपूर्ण उम्मीदवार पूल ($D_q$) की दूरियों का माध्य निकाला जाता है।
   • अपडेट: इस माध्य दूरी का उपयोग वेल्फोर्ड के एल्गोरिदम (Welford's algorithm) का उपयोग करके खाते के रनिंग एम्पिरिकल मीन ($\mu_{a,t}$) को अपडेट करने के लिए किया जाता है। यह पूर्ण इतिहास को संग्रहीत किए बिना निरंतर-मेमोरी अपडेट की अनुमति देता है।
   • संवेदनशीलता व्युत्पत्ति: नई संवेदनशीलता को $\gamma_{a,t+1} = \max(\mu_{a,t+1}, \gamma_{floor})$ के रूप में सेट किया जाता है।
6. प्रायोगिक स्थितियाँ: अध्ययन एक "अनुकूली" (Adaptive) स्थिति (जहाँ $\gamma_a$ प्रति खाता भिन्न होता है) की तुलना एक "स्थिर संदर्भ" (Fixed Reference) स्थिति (जहाँ सभी खातों के लिए $\gamma = 1$ है) से करता है। दोनों स्थितियाँ समान अंतर्निहित स्थानीय व्यवहारिक दूरियों का उपयोग करती हैं ताकि संवेदनशीलता पैरामीटर के प्रभाव को अलग किया जा सके।

मुख्य योगदान

• ऑनलाइन अंशांकन प्रक्रिया: यह शोध पत्र स्ट्रीमिंग वातावरण में स्थानीय व्यवहारिक दूरियों से सीधे एक खाता-विशिष्ट संवेदनशीलता पैरामीटर बनाए रखने के लिए एक तंत्र पेश करता है, जो पैरामीट्रिक वितरण धारणाओं की आवश्यकता को समाप्त करता है।
• निरंतर-मेमोरी तंत्र (Constant-Memory Mechanism): वेल्फोर्ड के एल्गोरिदम का उपयोग करके, यह अध्ययन प्रदर्शित करता है कि खाता-विशिष्ट संवेदनशीलता को निरंतर मेमोरी उपयोग के साथ वृद्धिशील रूप से अपडेट किया जा सकता है, जो इसे वास्तविक समय के बैंकिंग स्ट्रीम के लिए उपयुक्त बनाता है।
• यांत्रिक अलगाव (Mechanistic Isolation): यह अध्ययन एक व्यापक धोखाधड़ी रोकथाम मॉडल के संवेदनशीलता घटक को अलग करता है, यह प्रदर्शित करता है कि कैसे अनुकूली संवेदनशीलता अंतर्निहित दूरी मापों या वर्गीकरण थ्रेशोल्ड को बदले बिना निरंतर जोखिम स्कोर को कैसे बदल देती है।

परिणाम

• संवेदनशीलता की विषमता (Heterogeneity of Sensitivity): अंशांकित संवेदनशीलता मान व्यवहारिक स्तरों के बीच काफी भिन्न थे। उच्च-गतिविधि वाले खातों ने सबसे कम औसत संवेदनशीलता ($\gamma_a \approx 0.7113$) प्रदर्शित की, जबकि कम-गतिविधि वाले खातों ने उच्चतम संवेदनशीलता ($\gamma_a \approx 1.2534$) दिखाई। रैंडम बेसलाइन समूह स्थिर संदर्भ ($\gamma_a \approx 1.0040$) के करीब रहा।
• जोखिम स्कोर पर प्रभाव: अध्ययन ने देखा कि अनुकूली संवेदनशीलता सीधे जोखिम स्कोर को नियंत्रित करती है।
  • जब $\gamma_a < 1$ हो (उच्च-गतिविधि खातों के लिए विशिष्ट), तो समान दूरी के लिए अनुकूली जोखिम स्कोर, स्थिर संदर्भ की तुलना में अधिक था, जो जोखिम प्रतिक्रिया को बढ़ाता है।
  • जब $\gamma_a > 1$ हो (कम-गतिविधि खातों के लिए विशिष्ट), तो अनुचल जोखिम स्कोर, स्थिर संदर्भ की तुलना में कम था, जो जोखिम प्रतिक्रिया को कम करता है।
  • उदाहरण के लिए, $\gamma_a = 0.6819$ वाले एक खाते ने $\gamma=1$ की स्थिर स्थिति के तहत 0.7284 के मुकाबले 0.7973 का अनुकूली जोखिम उत्पन्न किया।
• क्रमिक विकास (Sequential Evolution): रनिंग मीन ने समय के साथ स्थानीय दूरी अवलोकनों में परिवर्तनों को सफलतापूर्वक ट्रैक किया, जिससे पुष्टि हुई कि नए वैध लेनदेन होते समय संवेदनशीलता को वृद्धिशील रूप से बनाए रखा जा सकता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व यह प्रदर्शित करना है कि स्थानीय दूरी संवेदनशीलता सभी खातों के लिए समान होने की आवश्यकता नहीं है। अपने स्वयं के व्यवहारिक नियमितता के आधार पर संवेदनशीलता को अंशांकित करके, सिस्टम यह गतिशील रूप से समायोजित कर सकता है कि एक विशिष्ट व्यवहारिक विचलन को जोखिम के रूप में कैसे व्याख्यायित किया जाए।

लेखक स्पष्ट रूप से कहते हैं कि यह कार्य यांत्रिक (mechanistic) और अनुभवजन्य (empirical) है, न कि एल्गोरिथम आधारित; यह नए दूरी कार्यों या अनुमानकों का प्रस्ताव नहीं करता है, बल्कि यह दिखाता है कि कैसे मौजूदा घटकों को मिलाने से गतिशील जोखिम मॉड्यूलेशन प्राप्त होता है। अध्ययन स्पष्ट करता है कि:

• यह सीधे धोखाधड़ी का पता लगाने के प्रदर्शन (जैसे, उच्च रिकॉल या कम गलत सकारात्मक) में सुधार का दावा नहीं करता है, क्योंकि ये परिणाम डाउनस्ट्रीम निर्णय थ्रेशोल्ड और नीतिगत कार्यों पर निर्भर करते हैं जो इस अध्ययन के दायरे से बाहर हैं।
• यह दावा नहीं करता कि गतिविधि का स्तर संवेदनशीलता भिन्नता का कारण बनता है, बल्कि यह कि अंशांकन प्रक्रिया इन स्तरों के बीच अलग-अलग संवेदनशीलता मानों को जन्म देती है।
• स्थिर $\gamma=1$ की स्थिति विशेष रूप से एक गणितीय संदर्भ के रूप में कार्य करती है ताकि अनुकूली पैरामीटर के प्रभाव को अलग किया जा सके, न कि एक प्रतिस्पर्धी बेसलाइन मॉडल के रूप में।

अंततः, यह अध्ययन कठोर वैश्विक थ्रेशोल्ड और गतिशील, खाता-अनुकूलित जोखिम स्कोरिंग के बीच के अंतर को पाटता है, जो निकटतम-पड़ोसी विधियों की स्थानीयता को बनाए रखते हुए व्यक्तिगत खाते के प्रोफाइल के अनुसार विचलन की व्याख्या को अनुकूलित करता है।