Fraud detection: A systematic literature review of graph-based

عنوان مقاله:

نویسنده: طاهره پورحبیبی، کاک-لئونگ آنگ، بوئی هون کام

دسته‌بندی: مقاله

نیلوفر حق‌جو، کارشناس راهکارهای کشف تقلب داتین در مقاله‌ای تحت عنوان «راهکارهای تشخیص تقلب» که در شماره اول فصلنامه فناوری‌های مالی منتشر شده از مقاله «Fraud detection: A systematic literature review of graph-based anomaly detection approaches» استفاده کرده است.

مقاله «Fraud detection: A systematic literature review of graph-based anomaly detection approaches» نوشته طاهره پورحبیبی، کاک-لئونگ آنگ، بوئی هون کام و یی لینگ بو است و در آوریل 2020 در مجله Decision Support Systems منتشر شده است. این مقاله ارزیابی جامعی از شیوه‌های تشخیص ناهنجاری مبتنی‌بر گراف (GBAD) درزمینه تشخیص تقلب ارائه می‌دهد. نویسندگان این مقاله سیر تکامل تکنیک‌های GBAD در طول یک دهه گذشته و کاربردشان در حیطه‌های مختلف را نشان می‌دهند. این ارزیابی همچنین اهمیت توجه به جنبه‌های ساختاری و رابطه‌ای داده در تشخیص تقلب را برجسته می‌سازد.

درمجموع این مقاله بینش‌های ارزشمندی درباره وضعیت کنونی پژوهش‌های مربوط به GBAD ارائه می‌دهد. نویسندگان این مقاله علاوه‌بر تجزیه‌وتحلیل پژوهش‌های موجود، خلاها و چالش‌های مهمی را شناسایی می‌کنند که باید به آنها رسیدگی شود. این مقاله با نشان‌دادن پتانسیل شیوه‌های GBAD و حوزه‌های نیازمند پژوهش در آینده، به تلاش‌های جاری برای مقابله با تقلب در عصر دیجیتال کمک می‌کند.

یکی از چالش‌های مهمی که در این مقاله شناسایی می‌شود کمیاب‌بودن داده‌های برچسب‌گذاری‌شده برای آموزش مدل‌های یادگیری نظارت‌شده است. این محدودیت باعث شده پژوهشگران شیوه‌های بدون نظارت را توسعه دهند که می‌توانند از داده‌های بدون برچسب، الگوهایی را برداشت کنند. با این حال در شبکه‌های بسیار پویایی که الگوهای تقلب به‌سرعت تغییر می‌کنند، ممکن است این شیوه‌ها موثر نباشند.

این مقاله همچنین درباره انواع شبکه‌ها و ناهنجاری‌هایی بحث می‌کند که مورد مطالعه قرار گرفته‌اند. این تنوع، نشان‌دهنده پیچیدگی و انطباق‌پذیری فعالیت‌های متقلبانه است که می‌توانند در شبکه‌های متفاوت، شکل‌های متفاوتی به خود بگیرند. نویسندگان پیشنهاد می‌دهند که پژوهش‌های آینده بر توسعه شیوه‌هایی تمرکز کنند که می‌توانند با این محیط‌های پویا سازگار شوند و الگوهای تقلب درحال تغییر را شناسایی کنند.

نکته کلیدی دیگری که در این مقاله مطرح می‌شود نیاز به مداخله انسانی در استخراج ویژگی و ارزیابی مدل است. هرچند شیوه‌های تشخیص تقلب مبتنی‌بر گراف می‌توانند الگوهای مشکوک را شناسایی کنند، اما اعتبارسنجی و تفسیر نتایج به‌منظور اتخاذ تصمیم نهایی اغلب نیازمند تخصص انسانی است. این یافته اهمیت توسعه مدل‌های هوش مصنوعی را نشان می‌دهد که می‌توانند بینش‌هایی درباره استدلال پشت تشخیص ناهنجاری ارائه دهند.

منبع:

sciencedirect.com

نوشته شده توسط:

طاهره پورحبیبی، کاک-لئونگ آنگ، بوئی هون کام

طاهره پورحبیبی در حال حاضر مشاور ارشد شرکت intelia است و پیش‌تر مشاور ارشد و تحلیلگر داده InfoCentric بوده است. پیش از آن هم حدود چهار سال تحلیلگر تقلب و داده بانک سامان بوده است. پورحبیبی دانش‌آموخته دانشگاه الزهرا و موسسه سلطنتی فناوری ملبورن است.

کاک-لئونگ آنگ استاد و رئیس گروه سیستم‌های اطلاعاتی و آنالتیکس کسب‌وکار موسسه سلطنتی فناوری ملبورن است. آنگ دارای مدرک مهندسی کامپیوتر و دکترای سیستم‌های اطلاعاتی از دانشگاه صنعتی نانیانگ سنگاپور است.

بوئی هون کام استاد دانشکده حسابداری، سیستم‌های اطلاعاتی و زنجیره تامین موسسه سلطنتی ملبورن است. گرایش‌های پژوهشی او شامل روابط زنجیره تامین، عملیات‌های استراتژیک کسب‌وکار و زنجیره‌های تامین دیجیتال می‌شود.

این پژوهشگران در پژوهش‌های دیگری مثل «شناسایی جامعه‌های پنهان در شبکه‌های چندلایه: رویکرد تعبیه شبکه» (Detecting covert communities in multi-layer networks: A network embedding approach) و «تحلیل رفتاری کاربران برای تشخیص اسپمر در یک شبکه اجتماعی چندبعدی» (Behavioral Analysis of Users for Spammer Detection in a Multiplex Social Network) همکاری کرده‌اند.

فناوری‌های مالی فصلنامه‌ای با رویکرد پژوهشی و تحلیلی در زمینه صنعت بانکی و مالی است و هر شماره از آن به بررسی مجموعه‌ای از نظرات و تحلیل‌ها درباره یک موضوع از ابعاد مختلف اختصاص دارد.