Усовершенствованное выявление финансового мошенничества с использованием модели GNN-CL

Предложенная в данной статье инновационная модель GNN-CL совершает прорыв в области выявления финансового мошенничества благодаря синергетическому объединению преимуществ графовых нейронных сетей (GNN), сверточных нейронных сетей (CNN) и сетей с долговременной краткосрочной памятью (LSTM). Такое сочетание обеспечивает многосторонний анализ сложных моделей транзакций, повышая точность выявления и устойчивость к сложным мошенническим действиям. Ключевой особенностью данной работы является использование многослойных перцептронов (MLP) для оценки сходства узлов, что позволяет эффективно фильтровать шум в окрестности, способный приводить к ложноположительным результатам. Этот интеллектуальный механизм очистки гарантирует учет только наиболее релевантной информации и тем самым улучшает понимание моделью структуры сети. Ослабление признаков часто негативно влияет на модели, основанные на графах, вследствие размывания ключевых сигналов. Для дальнейшего решения этой проблемы в GNN-CL применяются стратегии обучения с подкреплением. Динамически корректируя веса, присваиваемые центральным узлам, модель усиливает значимость этих влиятельных объектов и сохраняет важные признаки мошенничества даже в условиях менее информативных данных. Экспериментальная оценка на наборах данных Yelp демонстрирует превосходство GNN-CL над существующими методами.