تحسين كشف الاحتيال باستخدام الشبكات العصبية الشوكيّة ذات التباين الأحادي الأبعاد من خلال التحسين بايزيان

أدى الرقميّة في قطاع البنوك خلال السنوات الماضية إلى زيادة ملحوظة في الأنشطة الاحتيالية. ويعتبر تطوير حلول عملية جديدة للكشف عن الاحتيال أمرًا صعبًا بشكل خاص، نظرًا لأن الصناعة يجب أن تحترم حدًا أقصى بنسبة 5٪ من الكشف الخاطئ عن الاحتيال، بهدف تجنّب الخسائر المالية. كما تواجه استخدام الخوارزميات التقليدية للتعلم الآلي تحديات أخرى، مثل التمييز في التصنيف واستهلاك الطاقة المرتفع. أما الشبكات العصبية المنبّهة (Spiking Neural Networks)، التي صُمّمت لتقلّد العمليات الطبيعية في الدماغ، فهي تمثل بديلًا واعدًا، خاصة عند تشغيلها على الأجهزة العصبية المُنظّمة (neuromorphic hardware)، حيث تُظهر كفاءة طاقية ملحوظة، مما يُمكّن من تطوير الذكاء الاصطناعي المستدام. يتكوّن نهجنا من تطبيق الشبكات العصبية المنبّهة ذات الأبعاد الواحدة (1D-Convolutional Spiking Neural Networks) لتحسين كشف الاحتيال على مجموعة بيانات الاحتيال على الحسابات المصرفية، مع استخدام تحسين بايزي (Bayesian optimization) لضبط المعاملات الفائقة (hyperparameters). ونتيجة لذلك، نُظهر أن هذه الهياكل يمكنها معالجة مشكلة البيانات المُتحيّزة مع الحفاظ على أداء الخوارزمية مقارنة بالأساليب التقليدية مثل نماذج التقوية التدريجية (Gradient Boosting). علاوةً على ذلك، نُقدّم عملية تحسين بايزي للمعاملات الفائقة، مما يُعزز من أداء هذه الخوارزميات.