FraudGNN-RL: графовая нейронная сеть с обучением с подкреплением для адаптивного выявления финансового мошенничества

По мере усложнения и усиления взаимосвязанности финансовых систем традиционные методы выявления мошенничества с трудом успевают за сложными мошенническими схемами. В данной статье представлена инновационная платформа FraudGNN-RL, объединяющая графовые нейронные сети (GNN) и обучение с подкреплением (RL) для адаптивного и контекстно-зависимого выявления финансового мошенничества. Предлагаемый подход моделирует финансовые транзакции в виде динамического графа, в котором сущности (например, пользователи и продавцы) являются узлами, а транзакции образуют рёбра. Предложена новая архитектура GNN — свёртка графа с учётом временных, пространственных и семантических характеристик (Temporal-Spatial-Semantic Graph Convolution, TSSGC), которая одновременно выделяет временные закономерности, пространственные взаимосвязи и семантическую информацию в данных о транзакциях. Компонент RL, реализованный в виде глубокой Q-сети (Deep Q-Network, DQN), динамически регулирует порог выявления мошенничества и важность признаков, позволяя модели адаптироваться к изменяющимся схемам мошенничества и минимизировать затраты на обнаружение. Кроме того, предложена схема федеративного обучения, обеспечивающая совместное обучение модели в нескольких финансовых учреждениях при сохранении конфиденциальности данных. Масштабные эксперименты на крупномасштабном наборе реальных финансовых данных показали, что FraudGNN-RL превосходит базовые методы, соответствующие современному уровню, достигая значения F1-меры 97,3% и снижая долю ложноположительных результатов на 31% по сравнению с наиболее эффективным базовым методом. Платформа также демонстрирует высокую устойчивость к дрейфу концепции и атакам противника, сохраняя высокую производительность в течение длительных периодов. Полученные результаты свидетельствуют о том, что FraudGNN-RL представляет собой надёжное, адаптивное и сохраняющее конфиденциальность решение для выявления финансового мошенничества в эпоху больших данных и взаимосвязанных финансовых экосистем.