DOI: https://doi.org/10.3389/frai.2026.1774013
PMID: https://pubmed.ncbi.nlm.nih.gov/41837241
تاريخ النشر: 2026-02-26
المؤلف: Jundong Chen وآخرون
الموضوع الرئيسي: الشبكات العصبية المتقدمة
نظرة عامة
تقدم البحث إطار عمل جديد لتعلم الرسوم البيانية الديناميكية في الوقت الحقيقي لاكتشاف الاحتيال المالي، مع معالجة قيود الطرق الحالية التي تعتمد على هندسة الميزات اليدوية وتكافح مع الديناميات الزمنية. يستخدم الإطار محول انتباه الرسوم البيانية المدرك للسياق في الوقت المستمر (C2GAT) لتعلم التمثيلات مباشرة من رسوم المعاملات المتدفقة الخام، مما يلتقط بفاعلية الاعتماديات الهيكلية من الدرجة العليا والأنماط الزمنية. بالإضافة إلى ذلك، يتضمن وحدات فرعية مفصولة لنمذجة التفاعلات متعددة الأدوار وهياكل الجوار المحلية بشكل منفصل، مما يوفر رؤى تكاملية حول السلوكيات الاحتيالية.
تم تقييم الإطار المقترح في سيناريو اكتشاف الاحتيال في بطاقات الائتمان والنقد، حيث يظهر تحسينات كبيرة مقارنة بالنماذج التقليدية القائمة على التسلسل والنهج القائم على القواعد، محققًا تقليصًا بنسبة 43% في الإيجابيات الكاذبة وتحسينًا بنسبة 26% في معدلات الاكتشاف مع الحفاظ على أوقات الاستجابة تحت 30 مللي ثانية. يحدد المؤلفون اتجاهات البحث المستقبلية، بما في ذلك استكشاف التعلم الميتا والتعلم الانتقالي لمعالجة ندرة البيانات وعدم توازن الفئات، بالإضافة إلى تطوير استراتيجيات أخذ عينات فرعية فعالة ودمج تمثيلات الرسوم البيانية المدربة مسبقًا لتحسين القابلية للتوسع والصلابة في أنظمة اكتشاف الاحتيال في الوقت الحقيقي.
مقدمة
تناقش مقدمة الورقة تطور أطر التحكم في مخاطر المعاملات المالية، مع تسليط الضوء على التحول من الطرق من الجيل الأول التي تعاملت مع إجراءات المستخدمين بشكل منفصل إلى الأطر من الجيل الثاني التي تستخدم رسوم تدفق رأس المال في الوقت الحقيقي. تمثل هذه الرسوم الحسابات كعقد والمعاملات كحواف، مما يسمح بحساب الإحصائيات المجمعة لتعزيز اكتشاف الاحتيال. ومع ذلك، تواجه الطرق الحالية قيودًا، بما في ذلك عدم كفاية الإحصائيات المصنوعة يدويًا لالتقاط الأنماط السلوكية الدقيقة، والجهد اليدوي الكبير المطلوب لهندسة الميزات، وعدم قدرة الأنظمة القائمة على القواعد على التكيف مع الطبيعة الديناميكية لرسوم المعاملات.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل موحد جديد لتعلم الرسوم البيانية الديناميكية في الوقت الحقيقي مصمم خصيصًا للتحكم في مخاطر المعاملات المالية. تشمل الابتكارات الرئيسية استخدام بيانات المعاملات المتدفقة الخام للقضاء على الحاجة للقواعد اليدوية، وإدخال محول انتباه الرسوم البيانية المدرك للسياق في الوقت المستمر (C2GAT) الذي نمذجة الاعتماديات الزمنية والهيكلية، وفصل الأنماط المشتركة للمعاملات إلى وحدات تعلم فرعية مخصصة. يُظهر الإطار أداءً متفوقًا بشكل كبير مقارنة بالأنظمة القائمة على التسلسل والأنظمة القائمة على القواعد في اكتشاف احتيال “السحب النقدي” في بطاقات الائتمان، مما يبرز فعاليته في التكيف مع أنماط الاحتيال المتطورة وتوفير كفاءة حسابية عالية. توضح الورقة هيكلها، مع تفاصيل حول سيناريو الاكتشاف، وهندسة الإطار، والنتائج من كل من مجموعات البيانات العامة والتطبيقات الصناعية.
طرق
في هذا القسم، يصف المؤلفون إعدادهم التجريبي لتدريب نموذج على مجموعات بيانات صناعية كبيرة الحجم تتميز بملايين العينات وميزات عالية الأبعاد. استخدموا بنية تدريب موزعة تعتمد على خادم المعلمات، تتكون من 10 عقد عمال و2 عقد خادم معلمات، لتسهيل المعالجة الفعالة. تم ضبط المعلمات الفائقة لتتوافق مع تلك الخاصة بالنماذج الأساسية القوية، باستخدام مُحسِّن آدم بمعدل تعلم قدره $10^{-4}$، وعبء منتظم قدره $10^{-3}$، وحجم دفعة قدره 256. تم تعيين أبعاد التمثيل المخفي لكل من المستخدمين والأحداث بشكل موحد إلى 64، وتم تنفيذ بنية شبكة عصبية رسومية مكونة من 3 طبقات لتعزيز تجميع المعلومات، مما يحسن أداء النموذج.
بالإضافة إلى ذلك، استخدم المؤلفون دالة ترميز زمنية مع معلمات تتماشى مع الأبحاث السابقة (Thongprayoon et al., 2023)، حيث تم تطبيع وحدة الزمن إلى يوم واحد (86,400 ثانية). قاموا بضبط معلمات التردد في قاعدة فورييه بدقة لالتقاط الاعتماديات الزمنية قصيرة وطويلة الأجل بفاعلية، مما يضمن أن النموذج يمكنه التعرف على الأنماط التي تمتد من ساعات إلى أسابيع. كان هذا الإعداد الشامل يهدف إلى تحسين قدرة النموذج على التعلم من الديناميات الزمنية المعقدة الموجودة في البيانات.
نقاش
في هذا القسم، يقدم المؤلفون نموذجًا ديناميكيًا للرسوم البيانية في الوقت الحقيقي مصممًا لاكتشاف الاحتيال المالي، مع التأكيد على أهمية التقاط سلوكيات المعاملات الحديثة من خلال نافذة متحركة من النشاط. يمثل النموذج المستخدمين والمعاملات كعقد وحواف مؤرخة في رسم بياني، مما يسمح باستجابات استعلام على مستوى المللي ثانية وتحديثات على مستوى الدقيقة. يتضمن الإطار آلية انتباه الرسوم البيانية المدرك للسياق في الوقت المستمر (C2GAT)، التي تعزز انتباه الرسوم البيانية التقليدي من خلال دمج الترميز الزمني الخاص بالعقد وتجميع الجيران المدرك للسياق. تم تصميم هذا النهج للتحديات الفريدة لمراقبة المعاملات المالية، مثل التوزيعات غير المتناظرة بين المشترين والبائعين والحاجة إلى معالجة سريعة.
يصف المؤلفون بناء الرسوم الفرعية التي تركز على المشترين والبائعين لالتقاط أنماط الاحتيال بفاعلية مع إدارة الكفاءة الحسابية. تشمل الرسوم الفرعية التي تركز على المشترين الجيران حتى مسافتين بعيدتين لأخذ التفاعلات المعقدة في الاعتبار، بينما تحد الرسوم الفرعية التي تركز على البائعين إلى مسافة واحدة لتجنب الانفجار التوافقي. بالإضافة إلى ذلك، يتم إنشاء رسوم فرعية لمسارات التفاعل لتتبع تدفقات الأموال متعددة القفزات بين المشترين والبائعين. يستخدم الإطار بنية ذات طبقتين للنشر، مع أنظمة غير متصلة لتحضير البيانات وأنظمة متصلة للاستخلاص في الوقت الحقيقي، قادرة على التعامل مع كميات هائلة من البيانات مع متطلبات زمنية صارمة. يتم تسليط الضوء على آلية C2GAT كابتكار رئيسي، تميز نفسها عن الأعمال السابقة من خلال السماح بترميزات زمنية خاصة بالعقد وتجميع السياق الصريح، وهو أمر حاسم لاكتشاف أنماط الاحتيال بدقة في بيئات المعاملات الديناميكية.
DOI: https://doi.org/10.3389/frai.2026.1774013
PMID: https://pubmed.ncbi.nlm.nih.gov/41837241
Publication Date: 2026-02-26
Author(s): Jundong Chen et al.
Primary Topic: Advanced Graph Neural Networks
Overview
The research presents a novel real-time dynamic graph learning framework for financial fraud detection, addressing the limitations of existing methods that rely on manual feature engineering and struggle with temporal dynamics. The framework utilizes a continuous-time, context-aware graph attention transformer (C2GAT) to learn representations directly from raw streaming transaction graphs, effectively capturing higher-order structural dependencies and temporal patterns. Additionally, it incorporates decoupled subgraph modules to separately model multi-role interactions and local neighborhood structures, providing complementary insights into fraudulent behaviors.
Evaluated in an industrial credit-cashback fraud detection scenario, the proposed framework demonstrates significant enhancements over traditional sequence models and rule-based approaches, achieving a 43% reduction in false positives and a 26% improvement in detection rates while maintaining response times under 30 ms. The authors outline future research directions, including the exploration of meta-learning and transfer learning to address data sparsity and class imbalance, as well as the development of efficient subgraph sampling strategies and the integration of pre-trained graph embeddings to improve scalability and robustness in real-time fraud detection systems.
Introduction
The introduction of the paper discusses the evolution of financial transaction risk control frameworks, highlighting the shift from first-generation methods that treated user actions in isolation to second-generation frameworks that utilize real-time capital-flow graphs. These graphs represent accounts as nodes and transactions as edges, allowing for the computation of aggregated statistics to enhance fraud detection. However, existing approaches face limitations, including the inadequacy of handcrafted statistics to capture nuanced behavioral patterns, the extensive manual effort required for feature engineering, and the inability of rule-based systems to adapt to the dynamic nature of transaction graphs.
To address these challenges, the authors propose a novel real-time dynamic graph unified learning framework specifically designed for financial transaction risk control. Key innovations include the use of raw streaming transaction data to eliminate the need for manual rules, the introduction of a continuous-time, context-aware graph attention transformer (C2GAT) that models temporal and topological dependencies, and the separation of joint transaction patterns into dedicated subgraph learning modules. The framework is demonstrated to significantly outperform existing sequence-based and rule-based systems in detecting credit-cashback “cash-out” fraud, showcasing its effectiveness in adapting to evolving fraud patterns and providing high computational efficiency. The paper outlines its structure, detailing the detection scenario, framework architecture, and results from both public datasets and industrial applications.
Methods
In this section, the authors describe their experimental setup for training a model on large-scale industrial datasets characterized by millions of samples and high-dimensional features. They employed a parameter server-based distributed training architecture, consisting of 10 worker nodes and 2 parameter-server nodes, to facilitate efficient processing. Hyperparameters were aligned with those of strong baseline models, utilizing the Adam optimizer with a learning rate of $10^{-4}$, a regularization term of $10^{-3}$, and a batch size of 256. The hidden representation dimensions for both users and events were uniformly set to 64, and a 3-layer graph neural network architecture was implemented to enhance information aggregation, thereby improving model performance.
Additionally, the authors utilized a temporal encoding function with parameters aligned with previous research (Thongprayoon et al., 2023), normalizing the time unit to 1 day (86,400 seconds). They meticulously tuned the frequency parameters in the Fourier basis to effectively capture both short-term and long-term temporal dependencies, ensuring that the model could recognize patterns spanning from hours to weeks. This comprehensive setup aimed to optimize the model’s ability to learn from the complex temporal dynamics present in the data.
Discussion
In this section, the authors present a real-time dynamic graph model designed for financial fraud detection, emphasizing the importance of capturing recent transaction behaviors through a sliding window of activity. The model represents users and transactions as nodes and time-stamped edges in a graph, allowing for millisecond-level query responses and minute-level updates. The framework incorporates a Continuous-time Context-aware Graph Attention (C2GAT) mechanism, which enhances traditional graph attention by integrating node-specific temporal encoding and context-aware neighbor aggregation. This approach is tailored to the unique challenges of financial transaction monitoring, such as the asymmetric degree distributions between buyers and sellers and the need for rapid processing.
The authors detail the construction of subgraphs centered on buyers and sellers to effectively capture fraud patterns while managing computational efficiency. Buyer-centric subgraphs include neighbors up to two hops away to account for complex interactions, while seller-centric subgraphs limit to one hop to avoid combinatorial explosion. Additionally, interaction path subgraphs are created to track multi-hop fund flows between buyers and sellers. The framework employs a two-tier architecture for deployment, with offline systems for data preparation and online systems for real-time inference, capable of handling vast amounts of data with stringent latency requirements. The C2GAT mechanism is highlighted as a key innovation, distinguishing itself from prior work by allowing for node-specific temporal encodings and explicit context aggregation, which are critical for accurately detecting fraud patterns in dynamic transaction environments.