Квантово-вдохновлённая модель ИИ превосходит аналоги в обнаружении скрытой сети мошеннических транзакций
Группа исследователей опубликовала на платформе arXiv препринт, посвящённый новому подходу к обнаружению мошенничества в финансовых транзакциях. Работа фокусируется на так называемом «разреженно-кольцевом» мошенничестве — схеме, в которой завершённый направленный цикл транзакций растянут на несколько дней, что затрудняет его выявление по отдельным операциям.
Авторы построили синтетический симулятор транзакций, внедрив в него как полные кольца, так и их оборванные версии — «приманки». На основе этих данных ежедневные направленные графы агрегировались в скользящие окна и представлялись в виде сырых графовых признаков, персистентных гомологических суммаризаций или гибридных векторов, объединяющих оба подхода.
В качестве классификаторов последовательностей сравнивались две модели: рекуррентная нейронная сеть с гейтовыми блоками (GRU) и квантово-вдохновлённое контекстуальное машинное обучение (CML). Результаты показали, что использование только топологических суммаризаций недостаточно для решения задачи — они теряют информацию об идентичности пар счетов и направлении рёбер.
Наилучшие результаты продемонстрировали гибридные представления, сохраняющие идентичность узлов и сочетающие графовые признаки с топологическими сводками. В таких условиях CML показала себя многообещающей моделью для паттернов мошенничества, чьи признаки распределены во временном и реляционном контексте.
Исследователи подчёркивают, что работа носит разведочный характер из-за использования синтетических данных и небольшого объёма выборки. Тем не менее, полученные выводы указывают на то, что топология наиболее полезна в качестве контекстного слоя поверх динамических графовых признаков, а квантово-вдохновлённые методы могут стать эффективным инструментом для борьбы с организованным фродом.
