DOI: https://doi.org/10.14569/ijacsa.2026.0170140
تاريخ النشر: 2026-01-01
المؤلف: Madhu Kumar Reddy P وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تقدم البحث شبكة تلافيف زمنية محسّنة بواسطة مبدأ ميثاق الفراشة (MFO-TCN) مصممة للكشف عن الاحتيال المالي في الوقت الحقيقي، مع معالجة قيود طرق التعلم الآلي التقليدية مثل الجيران الأقرب، وأشجار القرار، والغابات العشوائية. تكافح هذه النماذج السابقة مع البيانات عالية الأبعاد والأنماط الزمنية، مما يؤدي إلى عدم الكفاءة في اكتشاف المعاملات الاحتيالية. تدمج MFO-TCN المقترحة تحسين مبدأ ميثاق الفراشة لاختيار الميزات وتستخدم شبكة تلافيف زمنية لالتقاط أنماط الاحتيال المتسلسلة بفعالية. يعزز المعالجة الدقيقة للبيانات على مجموعة بيانات احتيال حساب البنك (BAF) أداء النموذج، محققًا دقة تصل إلى 97.2% مع دقة واسترجاع متفوقين مقارنة بالأساليب التقليدية. يعزز دمج SHAP الشفافية في النموذج من خلال تحديد مؤشرات الاحتيال الرئيسية، مثل مبلغ المعاملة ومستوى مخاطر التاجر.
في الختام، تُظهر بنية MFO-TCN تقدمًا كبيرًا في الدقة وقابلية التفسير للكشف عن الاحتيال المصرفي، متفوقة على الطرق التقليدية مع الحفاظ على الكفاءة الحسابية. تشمل اتجاهات البحث المستقبلية استكشاف آليات الانتباه والشبكات العصبية المعتمدة على الرسوم البيانية لفهم العلاقات المعقدة في بيانات المعاملات بشكل أفضل، بالإضافة إلى تنفيذ التعلم عبر الإنترنت لتحديثات نموذجية تكيفية استجابةً لتطور أنماط الاحتيال. بالإضافة إلى ذلك، يمكن أن يسهل التحقيق في التعلم الفيدرالي الكشف التعاوني عن الاحتيال عبر المؤسسات مع الحفاظ على خصوصية البيانات.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لذكاء الأعمال (BI) في القطاع المصرفي، مع التأكيد على قدرته على تحويل كميات هائلة من البيانات إلى رؤى قابلة للتنفيذ تعزز الكفاءة التشغيلية، واتخاذ القرار، والابتكار. بينما تتنقل البنوك في بيئة شديدة التنظيم والتنافس، يمكّن دمج التحليلات المتقدمة، واستخراج البيانات، والنمذجة التنبؤية من توقع اتجاهات السوق، وتخصيص الخدمات، والتخفيف من المخاطر مثل الاحتيال والتخلف عن السداد. تتعزز ضرورة ذكاء الأعمال من خلال التحديات التي تطرحها التحولات الرقمية ومصادر البيانات المتنوعة المتاحة، بما في ذلك وسائل التواصل الاجتماعي وأجهزة إنترنت الأشياء.
على الرغم من التقدم في تحليلات البنوك، لا تزال هناك قيود كبيرة، خاصة فيما يتعلق بالاعتماد على مصادر البيانات التقليدية والنماذج الإحصائية البسيطة التي تفشل في معالجة تعقيدات المصرفية الحديثة. تسلط قضايا مثل بطء السرعات الحسابية، وسوء قابلية التوسع، وعدم كفاية الشفافية في أنظمة الكشف عن الاحتيال الضوء على الحاجة إلى حلول ذكاء أعمال أكثر ابتكارًا ومرونة. لمعالجة هذه التحديات، يقترح البحث شبكة تلافيف زمنية محسّنة بواسطة مبدأ ميثاق الفراشة (MFO-TCN)، التي تُظهر دقة عالية تصل إلى 96.8% في الكشف عن الاحتيال، متجاوزة النماذج الأساسية. لا تعزز هذه الإطار أداء الكشف فحسب، بل تحسن أيضًا قابلية التفسير، مقدمةً نهجًا قابلًا للتوسع وصديقًا للجهات التنظيمية لمنع الاحتيال في الوقت الحقيقي في صناعة البنوك.
النتائج
تظهر نتائج الدراسة فعالية نموذج شبكة تلافيف زمنية محسّنة بواسطة مبدأ ميثاق الفراشة (MFO-TCN) المقترح في الكشف عن الاحتيال ضمن مجموعة بيانات احتيال حساب البنك (BAF). ينجح أسلوب MFO في تحديد الميزات الأكثر معلوماتية، والتي تُستخدم بعد ذلك بواسطة TCN للتعرف على الأنماط الاحتيالية. تشير مقاييس الأداء، بما في ذلك درجة F1، ومنطقة تحت منحنى التشغيل المستلم (AUROC)، ومنطقة تحت منحنى الدقة والاسترجاع (PR-AUC)، إلى أن النموذج يحقق نتائج كشف احتيال قابلة للتفسير ودقيقة.
تسلط تحليلات إضافية، بما في ذلك تفسيرات SHAP، وتحليل التقارب، ودراسات الإزالة، الضوء على مساهمات النموذج من حيث أهمية الميزات، والاستقرار، وقابلية التوسع، والكفاءة. تحدد معلمات المحاكاة، الموضحة في الجدول II، البيئة الحسابية والأدوات المستخدمة، بما في ذلك Python 3.x، وأجهزة Intel Core i7، ومكتبات متنوعة مثل NumPy وPandas وTensorFlow/Keras. بشكل عام، تُظهر بنية MFO-TCN أداءً قويًا في الكشف عن الاحتيال، مما يبرز إمكانياتها للتطبيقات العملية.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الحاجة الملحة لأنظمة الكشف عن الاحتيال المتقدمة في المشهد المتطور بسرعة للبنوك عبر الإنترنت. تعتبر الآليات التقليدية للكشف غير كافية بسبب أطرها القاسية المعتمدة على القواعد وعدم قدرتها على التعامل مع اختلالات البيانات عالية الأبعاد، والتي تعتبر حاسمة في تحديد الأنماط الزمنية الدقيقة في المعاملات واسعة النطاق. يقترح البحث نموذجًا جديدًا يدمج تحسين مبدأ ميثاق الفراشة (MFO) مع شبكة تلافيف زمنية (TCN) لمعالجة هذه التحديات. يهدف هذا النموذج إلى تعزيز الكشف عن الاحتيال المالي من خلال التركيز على اختلال الفئات، وتطور أنماط الاحتيال، والحاجة إلى عمليات اتخاذ قرار شفافة. تشير النتائج إلى أن الإطار المقترح يمكن أن يقلل بشكل كبير من الخسائر المرتبطة بالاحتيال ويعزز ثقة العملاء من خلال تحسين دقة التنبؤ من خلال تحديد المتغيرات الزمنية والسياقية الرئيسية.
تشمل المساهمات الرئيسية للبحث تطوير بنية عالية الأداء وقابلة للتفسير تحدد بفعالية أنماط الاحتيال المعقدة. يسهل استخدام MFO تقليل الأبعاد ويعزز اختيار الميزات، بينما تلتقط TCN الاعتماديات المتسلسلة المتأصلة في المعاملات الاحتيالية. بالإضافة إلى ذلك، يعزز دمج SHAP (تفسيرات شابلي الإضافية) قابلية التفسير، مما يسمح للجهات التنظيمية والمحللين الماليين باتخاذ قرارات مستنيرة بناءً على مخرجات النموذج. تؤكد الورقة على أهمية إطار كشف قابل للتوسع وفي الوقت الحقيقي يمكن أن يتكيف مع الطبيعة الديناميكية للاحتياج المالي، مما يوفر رؤى قابلة للتنفيذ للمؤسسات المصرفية على مستوى العالم.
DOI: https://doi.org/10.14569/ijacsa.2026.0170140
Publication Date: 2026-01-01
Author(s): Madhu Kumar Reddy P et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
The research presents an innovative Interpretable Moth-Flame Optimized Temporal Convolutional Network (MFO-TCN) designed for real-time financial fraud detection, addressing the limitations of traditional machine learning methods such as K-Nearest Neighbors, Decision Trees, and Random Forests. These earlier models struggle with high-dimensional data and temporal patterns, leading to inefficiencies in detecting fraudulent transactions. The proposed MFO-TCN integrates Moth-Flame Optimization for feature selection and employs a Temporal Convolutional Network to effectively capture sequential fraud patterns. Rigorous data preprocessing on the Bank Account Fraud (BAF) dataset enhances the model’s performance, achieving an accuracy of 97.2% with superior precision and recall compared to classical approaches. The incorporation of SHAP explainability further enhances model transparency by identifying key fraud indicators, such as transaction amount and merchant risk level.
In conclusion, the MFO-TCN architecture demonstrates significant advancements in accuracy and interpretability for banking fraud detection, outperforming traditional methods while maintaining computational efficiency. Future research directions include exploring attention mechanisms and graph-based neural networks to better understand complex relationships in transaction data, as well as implementing online learning for adaptive model updates in response to evolving fraud patterns. Additionally, investigating federated learning could facilitate collaborative fraud detection across institutions while preserving data privacy.
Introduction
The introduction highlights the critical role of business intelligence (BI) in the banking sector, emphasizing its capacity to transform vast amounts of data into actionable insights that enhance operational efficiency, decision-making, and innovation. As banks navigate a highly regulated and competitive landscape, the integration of advanced analytics, data mining, and predictive modeling enables them to anticipate market trends, personalize services, and mitigate risks such as fraud and credit defaults. The necessity for BI is further underscored by the challenges posed by digital transformation and the diverse data sources available, including social media and IoT devices.
Despite the advancements in banking analytics, significant limitations persist, particularly regarding the reliance on traditional data sources and simplistic statistical models that fail to address the complexities of modern banking. Issues such as slow computational speeds, poor scalability, and inadequate explainability in fraud detection systems highlight the need for more innovative and flexible BI solutions. To address these challenges, the study proposes a Moth-Flame Optimized Temporal Convolutional Network (MFO-TCN), which demonstrates a high accuracy of 96.8% in fraud detection, surpassing baseline models. This framework not only enhances detection performance but also improves interpretability, offering a scalable and regulator-friendly approach to real-time fraud prevention in the banking industry.
Results
The results of the study demonstrate the effectiveness of the proposed Moth-Flame Optimization-Temporal Convolutional Network (MFO-TCN) model in detecting fraud within the Bank Account Fraud (BAF) dataset. The MFO technique successfully identifies the most informative features, which are then utilized by the TCN to recognize fraudulent patterns. Performance metrics, including the F1-score, Area Under the Receiver Operating Characteristic (AUROC), and Precision-Recall Area Under the Curve (PR-AUC), indicate that the model achieves interpretable and accurate fraud detection outcomes.
Further analyses, including SHAP explanations, convergence analysis, and ablation studies, highlight the model’s contributions in terms of feature importance, stability, scalability, and efficiency. The simulation parameters, detailed in Table II, outline the computational environment and tools employed, including Python 3.x, Intel Core i7 hardware, and various libraries such as NumPy, Pandas, and TensorFlow/Keras. Overall, the MFO-TCN framework demonstrates robust performance in fraud detection, underscoring its potential for practical applications.
Discussion
The discussion section of the research paper emphasizes the urgent need for advanced fraud detection systems in the rapidly evolving landscape of internet banking. Traditional detection mechanisms are inadequate due to their rigid rule-based frameworks and inability to handle high-dimensional data imbalances, which are critical in identifying subtle temporal patterns in large-scale transactions. The study proposes a novel model that integrates Moth-Flame Optimization (MFO) with a Temporal Convolutional Network (TCN) to address these challenges. This model aims to enhance the detection of financial fraud by focusing on class imbalance, evolving fraud patterns, and the need for transparent decision-making processes. The findings suggest that the proposed framework can significantly reduce fraud-related losses and bolster client trust by improving prediction accuracy through the identification of key temporal and contextual variables.
Key contributions of the research include the development of a high-performance, explainable architecture that effectively identifies complex fraud patterns. The use of MFO facilitates dimensionality reduction and optimizes feature selection, while the TCN captures sequential dependencies inherent in fraudulent transactions. Additionally, the incorporation of SHAP (SHapley Additive exPlanations) enhances interpretability, allowing regulators and financial analysts to make informed decisions based on the model’s outputs. The paper underscores the importance of a scalable, real-time detection framework that can adapt to the dynamic nature of financial fraud, thereby providing actionable insights for banking institutions globally.