DOI: https://doi.org/10.32890/jict2026.25.1.4
تاريخ النشر: 2026-01-31
المؤلف: Mohamad Syazimmi Hersyaputra وآخرون
الموضوع الرئيسي: تقنيات تصنيف البيانات غير المتوازنة
نظرة عامة
تقدم هذه الدراسة نموذج تعلم آلي هجين مصمم للكشف عن الشذوذ في الوقت الحقيقي في المعاملات المالية الرقمية، مع معالجة قيود مجموعات البيانات الثابتة والحاجة إلى التحليل الزمني. يستخدم النموذج المقترح نافذة انزلاقية لمدة 7 أيام لالتقاط التقلبات قصيرة المدى في سلوك المعاملات، ويجمع بين مشفر طويل قصير الأمد (LSTM) غير الخاضع للإشراف لتقييم الشذوذ وشبكة عصبية اصطناعية (ANN) خاضعة للإشراف للتصنيف. يتم تدريب مشفر LSTM فقط على تسلسلات المعاملات الطبيعية لتعلم اعتماداتها الزمنية، مما ينتج أخطاء إعادة البناء التي تعمل كميزات شذوذ عميقة لشبكة ANN. تشير النتائج التجريبية على مجموعة بيانات IBM لمكافحة غسل الأموال (AML) إلى فعالية النموذج، حيث حقق دقة تصنيف تبلغ 99.92%، ودقة 94.12%، واسترجاع 88.43%، ودرجة F1 تبلغ 91.19%.
تخلص الدراسة إلى أن بنية النموذج الهجين، التي تجمع بين تقسيم النافذة المنزلق، ومشفر LSTM، وANN، تعزز كل من الكشف عن السلوك الشاذ وقابلية تكيف النموذج في البيئات المالية المتدفقة. يبرز التوازن بين الدقة والاسترجاع موثوقية النموذج في تحديد المعاملات الاحتيالية مع تقليل الإيجابيات الكاذبة. تشمل اتجاهات البحث المستقبلية معالجة عدم توازن الفئات من خلال تقنيات أخذ العينات المتقدمة، واستكشاف الهياكل المعتمدة على الانتباه مثل Transformers لتحسين نمذجة الاعتمادات الزمنية، ونشر النموذج في البيئات الحقيقية، ودمج طرق الشرح لتعزيز الشفافية في عمليات اتخاذ القرار. بشكل عام، يقدم هذا الإطار حلاً واعدًا للكشف عن الاحتيال القابل للتوسع والفعال في الأنظمة المالية المعقدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للكشف عن الشذوذ، خاصة في سياق المعاملات المالية، حيث حولت التطورات في تكنولوجيا المعلومات مشهد الخدمات المصرفية عبر الإنترنت. لقد زاد الانتقال إلى المنصات الرقمية من خطر الاحتيال في المعاملات المصرفية، مما يشكل تهديدات لثقة المستخدمين، والاستقرار المالي، ومصداقية المؤسسات المالية. تواجه طرق الكشف التقليدية، المعتمدة على الأنظمة القائمة على القواعد، تحديات مثل عدم الكفاءة وارتفاع معدلات الإيجابيات الكاذبة، مما يدفع نحو التحول إلى تقنيات التعلم الآلي التي يمكن أن تحلل مجموعات بيانات كبيرة وتتكيف مع أنماط الاحتيال المتطورة.
تناقش الورقة نماذج التعلم الآلي المختلفة، بما في ذلك الغابات العشوائية، وآلات الدعم الشعاعي (SVM)، والشبكات العصبية الاصطناعية (ANN)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، وXGBoost، حيث يقدم كل منها مزايا فريدة للكشف عن الاحتيال. من الجدير بالذكر أن دمج التعلم العميق مع التقييمات القائمة على المخاطر السياقية قد أظهر وعدًا في التقاط الأنماط الخفية التي قد تتجاهلها الطرق التقليدية. ومع ذلك، لا يزال هناك فجوة حاسمة في دمج تحليل تردد البث الديناميكي مع نماذج التعلم الآلي المتقدمة، حيث تعتمد معظم الأساليب الحالية على مجموعات بيانات ثابتة. لمعالجة ذلك، تقترح الدراسة نموذج كشف عن الشذوذ هجين يجمع بين تحليل تردد البث القائم على نافذة انزلاقية لمدة 7 أيام مع مشفر LSTM. يراقب هذا النموذج سلوك المعاملات باستمرار، ويلتقط الاعتمادات الزمنية ويحدد الشذوذ من خلال خطأ إعادة البناء، بينما تصنف شبكة ANN المعاملات على أنها طبيعية أو مشبوهة، مما يعزز قابلية التكيف والموثوقية لأنظمة الكشف عن الاحتيال في البيئات المالية في الوقت الحقيقي.
الطرق
في هذه الدراسة، يقدم المؤلفون منهجية جديدة للكشف عن الشذوذ في المعاملات المصرفية، كما هو موضح في الشكل 1. تشمل المساهمات الرئيسية تنفيذ آلية النافذة المنزلق للتقسيم الزمني الديناميكي، مما يسمح بتحليل أكثر تكيفًا لبيانات المعاملات بمرور الوقت. بالإضافة إلى ذلك، يقترح المؤلفون نموذجًا هجينًا يجمع بين التعلم غير الخاضع للإشراف من خلال مشفر LSTM مع التعلم الخاضع للإشراف عبر شبكة عصبية اصطناعية (ANN). يهدف هذا الدمج إلى تحسين دقة وفعالية الكشف عن الشذوذ داخل المعاملات المصرفية، مما يعزز الأمان والموثوقية العامة للأنظمة المالية.
النتائج
يجمع نموذج الكشف عن الشذوذ الهجين المقترح بين نهج النافذة المنزلق القائم على التردد الزمني، ومشفر LSTM لتقييم الشذوذ غير الخاضع للإشراف، ومصنف ANN للتصنيف الخاضع للإشراف. تم تقييم فعالية النموذج باستخدام مجموعة بيانات IBM AML، مع التركيز على مقاييس أداء التصنيف وتفسير مصفوفة الالتباس. تم تحليل المكونات المنهجية الرئيسية، بما في ذلك آلية النافذة المنزلق وبنية مشفر LSTM، لتقييم تأثيرها على قدرات الكشف.
تشير النتائج إلى أن النموذج يظهر نقاط قوة كبيرة في الكشف عن المعاملات المشبوهة، خاصة في قدرته على إدارة البيانات غير المتوازنة. يبرز هذا أهميته العملية لأنظمة الكشف عن الشذوذ المالي في العالم الحقيقي، مما يشير إلى أن دمج هذه المنهجيات يعزز الأداء العام وموثوقية الكشف عن الشذوذ في السياقات المالية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في الكشف عن المعاملات المشبوهة داخل البنوك، خاصة من خلال دمج نماذج التعلم الآلي التي تتجاوز الأنظمة التقليدية القائمة على القواعد. من الجدير بالذكر أن Koo وآخرين (2024) قدموا نموذجًا قائمًا على مشفر مع نهج قائم على المخاطر (RBA) لمكافحة غسل الأموال (AML)، محققين دقة مثيرة للإعجاب تبلغ 99.71% من خلال تحديد الشذوذ بفعالية في مجموعات بيانات كبيرة وغير متوازنة دون الحاجة إلى بيانات موسومة بشكل مكثف. في المقابل، استخدم Ketenci وآخرون (2021) تحليل التردد الزمني لتعزيز استخراج الميزات، مما أدى إلى تحسين درجات F1 وتقليل معدلات الإيجابيات الكاذبة عند دمجها مع بيانات إدارة علاقات العملاء.
تؤكد الدراسات الحديثة على فعالية تقنيات التعلم العميق، مثل مشفرات LSTM والنماذج الهجينة التي تضم CNNs وtransformers، في التقاط أنماط المعاملات المعقدة وتحسين الكشف عن الشذوذ. على سبيل المثال، أفاد Iqbal وAmin (2024) بدقة تبلغ 99.95% مع مشفر LSTM الخاص بهم على مجموعة بيانات كشف الاحتيال في بطاقات الائتمان، بينما أظهر Ileberi وSun (2024) قوة نموذج هجين جماعي، محققين حساسية تبلغ 0.961 وAUC-ROC تبلغ 0.972. على الرغم من هذه التقدمات، تحدد الورقة فجوة في دمج هذه المنهجيات، داعية إلى نهج موحد يجمع بين الميزات القائمة على تردد البث مع الأطر التسلسلية العميقة لتعزيز الكشف عن الشذوذ في الوقت الحقيقي في المعاملات المصرفية.
DOI: https://doi.org/10.32890/jict2026.25.1.4
Publication Date: 2026-01-31
Author(s): Mohamad Syazimmi Hersyaputra et al.
Primary Topic: Imbalanced Data Classification Techniques
Overview
This research presents a hybrid machine learning model designed for real-time anomaly detection in digital financial transactions, addressing the limitations of static datasets and the need for temporal analysis. The proposed model employs a 7-day sliding window to capture short-term fluctuations in transaction behavior, integrating an unsupervised Long Short-Term Memory (LSTM) autoencoder for anomaly scoring and a supervised Artificial Neural Network (ANN) for classification. The LSTM-autoencoder is trained solely on normal transaction sequences to learn their temporal dependencies, generating reconstruction errors that serve as deep anomaly features for the ANN. Experimental results on the IBM Anti-Money Laundering (AML) dataset indicate the model’s effectiveness, achieving a classification accuracy of 99.92%, precision of 94.12%, recall of 88.43%, and an F1 score of 91.19%.
The study concludes that the hybrid model’s architecture, which combines sliding-window segmentation, LSTM-autoencoder, and ANN, enhances both the detection of anomalous behavior and the model’s adaptability in streaming financial environments. The balance between precision and recall underscores the model’s reliability in identifying fraudulent transactions while minimizing false positives. Future research directions include addressing class imbalance through advanced sampling techniques, exploring attention-based architectures like Transformers for improved temporal dependency modeling, deploying the model in real-time environments, and incorporating explainability methods to enhance transparency in decision-making processes. Overall, this framework offers a promising solution for scalable and effective fraud detection in complex financial systems.
Introduction
The introduction of this research paper highlights the growing significance of anomaly detection, particularly in the context of financial transactions, as advancements in Information Technology have transformed the landscape of online banking. The shift to digital platforms has increased the risk of banking transaction fraud, which poses threats to user confidence, financial stability, and the credibility of financial institutions. Traditional detection methods, reliant on rule-based systems, face challenges such as inefficiency and high false-positive rates, prompting a shift towards machine learning techniques that can analyze large datasets and adapt to evolving fraud patterns.
The paper discusses various machine learning models, including Random Forest, Support Vector Machines (SVM), Artificial Neural Networks (ANN), Long Short-Term Memory (LSTM) networks, and XGBoost, each offering unique advantages for fraud detection. Notably, the integration of deep learning with contextual risk-based assessments has shown promise in capturing hidden patterns that traditional methods may overlook. However, a critical gap remains in the integration of dynamic streaming-frequency analysis with advanced machine learning models, as most existing approaches rely on static datasets. To address this, the research proposes a hybrid anomaly detection model that combines a 7-day sliding-window-based streaming frequency analysis with an LSTM-autoencoder. This model continuously monitors transaction behavior, capturing temporal dependencies and identifying anomalies through reconstruction error, while an ANN classifies transactions as normal or suspicious, thus enhancing the adaptability and robustness of fraud detection systems in real-time financial environments.
Methods
In this study, the authors introduce a novel methodology for anomaly detection in banking transactions, as illustrated in Figure 1. Key contributions include the implementation of a sliding-window mechanism for dynamic temporal segmentation, which allows for more adaptive analysis of transaction data over time. Additionally, the authors propose a hybrid model that combines unsupervised learning through an LSTM-autoencoder with supervised learning via an artificial neural network (ANN). This integration aims to improve the accuracy and effectiveness of detecting anomalies within banking transactions, thereby enhancing the overall security and reliability of financial systems.
Results
The proposed hybrid anomaly detection model combines a time-frequency-based sliding-window approach, an LSTM-autoencoder for unsupervised anomaly scoring, and an ANN classifier for supervised classification. The model’s effectiveness was evaluated using the IBM AML dataset, focusing on classification performance metrics and confusion matrix interpretation. Key methodological components, including the sliding window mechanism and the LSTM-autoencoder architecture, were analyzed to assess their impact on detection capabilities.
The findings indicate that the model demonstrates significant strengths in detecting suspicious transactions, particularly in its ability to manage imbalanced data. This highlights its practical relevance for real-world financial anomaly detection systems, suggesting that the integration of these methodologies enhances the overall performance and reliability of anomaly detection in financial contexts.
Discussion
The discussion section of the research paper highlights advancements in suspicious transaction detection within banking, particularly through the integration of machine learning models that surpass traditional rule-based systems. Notably, Koo et al. (2024) introduced an autoencoder-based model combined with a risk-based approach (RBA) for Anti-Money Laundering (AML), achieving an impressive accuracy of 99.71% by effectively identifying anomalies in large, imbalanced datasets without extensive labeled data. In contrast, Ketenci et al. (2021) utilized time-frequency analysis to enhance feature extraction, resulting in improved F1 scores and reduced false-positive rates when combined with customer relationship management data.
Recent studies underscore the efficacy of deep learning techniques, such as LSTM-autoencoders and hybrid models that incorporate CNNs and transformers, in capturing complex transaction patterns and improving anomaly detection. For instance, Iqbal and Amin (2024) reported a 99.95% accuracy with their LSTM-autoencoder on the Credit Card Fraud Detection dataset, while Ileberi and Sun (2024) demonstrated the robustness of a hybrid ensemble model, achieving a sensitivity of 0.961 and an AUC-ROC of 0.972. Despite these advancements, the paper identifies a gap in the integration of these methodologies, advocating for a unified approach that combines streaming frequency-based features with deep sequential frameworks to enhance real-time anomaly detection in banking transactions.