الاحتيال على بطاقات الائتمان يكبّد حاملي البطاقات والبنوك المصدرة خسائر كبيرة. تستخدم الأساليب الحديثة تصنيفات تعتمد على التعلم الآلي لاكتشاف السلوك الاحتيالي من السجلات المعروفة للعمليات. ومع ذلك، فإن البيانات المعروفة غالبًا ما تمثل نسبة صغيرة من مليارات العمليات الحقيقية بسبب تكاليف التسمية الباهظة، مما يعني أنها لا تستغل بشكل جيد العديد من الخصائص الطبيعية في البيانات غير المعروفة. لذلك، نقترح استخدام شبكة عصبية بيانية شبه مراقبة لاكتشاف الاحتيال. بصفة خاصة، نستفيد من سجلات العمليات لبناء رسم بياني زمني للعمليات، يتكون هذا الرسم البياني من العمليات الزمنية (العقد) والتفاعلات (الأطراف) بينها. ثم نقوم بنقل الرسائل بين العقد عبر شبكة الانتباه الزمني المُحكَمة (Gated Temporal Attention Network - GTAN) لتعلم تمثيل العملية. كما نقوم بنمذجة أنماط الاحتيال من خلال انتشار المخاطر بين العمليات. أجريت التجارب الواسعة على مجموعة بيانات حقيقية للعمليات ومجموعتين عامتين لمجموعات بيانات اكتشاف الاحتيال. أظهرت النتائج أن طريقة GTAN المقترحة لدينا تتفوق على أسس التقنيات المتقدمة الأخرى في ثلاث مجموعات بيانات لاكتشاف الاحتيال. أثبتت التجارب شبه المراقبة الأداء الممتاز لنموذجنا في اكتشاف الاحتيال باستخدام نسبة ضئيلة فقط من البيانات المعروفة.