تعزيز كاشفي الاحتيال المستندين إلى الشبكات العصبية الرسومية ضد المحتالين المختبئين

تم تطبيق الشبكات العصبية الرسومية (GNNs) على نطاق واسع في مشكلات الكشف عن الاحتيال في السنوات الأخيرة، حيث يتم الكشف عن الشك في العقد من خلال جمع معلومات الجيران عبر علاقات مختلفة. ومع ذلك، لم ينتبه العديد من الدراسات السابقة إلى سلوك التمويه الذي تتبناه المحتالين، والذي قد يُعيق أداء كاشفات الاحتيال القائمة على الشبكات العصبية الرسومية أثناء عملية التجميع. في هذا البحث، نقدّم نوعين من أنماط التمويه استنادًا إلى دراسات تجريبية حديثة، وهما: التمويه المُميّز (feature camouflage) والتمويه العلاقاتي (relation camouflage). لم تعالج الشبكات العصبية الرسومية الحالية هذين النوعين من التمويه، مما يؤدي إلى أداء ضعيف في مهام الكشف عن الاحتيال. كحل بديل، نقترح نموذجًا جديدًا يُسمى CARE-GNN (الشبكة العصبية الرسومية المقاومة للتمويه)، والذي يعزز عملية التجميع في الشبكات العصبية الرسومية من خلال ثلاثة وحدات فريدة مصممة لمكافحة التمويه. وعلى وجه التحديد، نحن نُصمم أولًا قياسًا للتشابه يراعي التسميات (label-aware similarity measure) للعثور على عقد جيران مفيدة. ثم نستخدِم التعلم القوي (Reinforcement Learning - RL) لتحديد الكمية المثلى من الجيران التي ينبغي اختيارها. وأخيرًا، نُجمِع العقد المختارة من مختلف العلاقات معًا. أظهرت التجارب الشاملة على مجموعتي بيانات واقعية للاحتيال فعالية خوارزمية التعلم القوي. كما أن CARE-GNN المقترح يتفوّق على أحدث النماذج القائمة على الشبكات العصبية الرسومية وكاشفات الاحتيال القائمة على الشبكات العصبية الرسومية. وقد قمنا بدمج جميع كاشفات الاحتيال القائمة على الشبكات العصبية الرسومية ضمن أداة مفتوحة المصدر: https://github.com/safe-graph/DGFraud. ويمكن الوصول إلى رمز CARE-GNN وبيانات التجربة من خلال: https://github.com/YingtongDou/CARE-GNN.