Проблема: Асимметрия данных и адаптивные атаки
Финансовые институты сталкиваются с критической проблемой при обнаружении мошенничества: уровень фрода составляет всего 0.13%. Это создает экстремальный дисбаланс классов, из-за которого традиционные модели часто игнорируют реальные угрозы. Кроме того, злоумышленники используют тактики обхода, такие как smurfing (дробление сумм на мелкие транзакции) и layering (многоступенчатое перемещение средств), адаптируясь под детекторы.
Решение: Архитектура FraudShield AI
Предложенная гибридная система FraudShield AI отказывается от анализа изолированных транзакций в пользу сетевого уровня. Модель интегрирует два ключевых компонента:
- Временной анализ: Сети Long Short-Term Memory (LSTM) захватывают последовательности действий пользователей.
- Топологический анализ: Ручное конструирование графовых признаков, таких как PageRank Centrality, динамика In-Degree и кастомный Flow Ratio.
Для борьбы с дисбалансом используется функция потерь Focal Loss, а механизм динамической порога повышает устойчивость к атакам с малыми суммами.
Результаты: Превосходство над базовыми моделями
Эксперименты проводились на датасете PaySim. Гибридная модель демонстрирует существенное улучшение метрик по сравнению с логистической регрессией и XGBoost, особенно в выявлении микро-транзакций. Ниже приведено сравнение эффективности подходов:
| Метрика | FraudShield AI (Гибридная) | XGBoost (Baseline) | Logistic Regression (Baseline) |
|---|---|---|---|
| Точность (Precision) | Высокая (значительно выше базовых) | Средняя | Низкая |
| Полнота (Recall) | Высокая (лучшее выявление фрода) | Средняя | Низкая |
| F1-Score | Максимальный | Ниже | Ниже |
| Устойчивость к Smurfing | Высокая (динамический порог) | Низкая | Низкая |
Значение для индустрии
Абляционное исследование подтвердило, что временные и топологические компоненты дополняют друг друга. Переход от анализа отдельных транзакций к сетевой криминалистике позволяет выявлять скрытые структуры отмывания денег, которые остаются невидимыми для традиционных алгоритмов машинного обучения.
Источник: arXiv cs.AI ↗