Графово-временной контрастивный трансформер для выявления финансового мошенничества на основе моделирования поведения при совершении транзакций

Выявление финансового мошенничества остается постоянной проблемой из-за динамичного и сильно несбалансированного характера данных о транзакциях. В данной статье предлагается фреймворк графово-временного контрастивного трансформера (Graph-Temporal Contrastive Transformer, GTCT) для моделирования как структурных зависимостей между счетами, так и временной эволюции поведения при совершении транзакций. Предложенная модель объединяет три компонента: графовый кодировщик для моделирования взаимосвязей между счетами, временной кодировщик для выявления последовательных закономерностей в транзакциях и целевую функцию контрастивного обучения, повышающую устойчивость представлений при ограниченном объеме размеченных данных. Для оценки вклада каждого компонента по отдельности мы систематически удаляли по одному модулю за раз. Как показали результаты, исключение контрастивной функции потерь привело к снижению полноты и AUC с 0.867 и 0.982 до 0.805 и 0.948 соответственно, что указывает на важность самосупервизированного обучения представлений при выявлении мошенничества. Аналогично, удаление графового кодировщика снизило F1-меру с 0.876 до 0.786, подтвердив, что моделирование структур транзакций между счетами имеет решающее значение для выявления сложных мошеннических сетей. Исключение временного кодировщика привело к еще более существенному снижению полноты (0.743) и AUC (0.905), что свидетельствует о важности учета временной динамики транзакций. Сравнение всех вариантов показало, что полная модель GTCT достигла наивысших значений точности (0.975) и AUC (0.982), продемонстрировав тем самым превосходную устойчивость при выявлении сложных и эволюционирующих схем финансового мошенничества.