ترجمه فارسی مقاله تشخیص تقلب پویا: ادغام یادگیری تقویتی در شبکه های عصبی نمودار

چکیده

Financial fraud refers to the act of obtaining financial benefits through dishonest means. Such behavior not only disrupts the order of the financial market but also harms economic and social development and breeds other illegal and criminal activities. With the popularization of the internet and online payment methods, many fraudulent activities and money laundering behaviors in life have shifted from offline to online, posing a great challenge to regulatory authorities. How to efficiently detect these financial fraud activities has become an urgent issue that needs to be resolved. Graph neural networks are a type of deep learning model that can utilize the interactive relationships within graph structures, and they have been widely applied in the field of fraud detection. However, there are still some issues. First, fraudulent activities only account for a very small part of transaction transfers, leading to an inevitable problem of label imbalance in fraud detection. At the same time, fraudsters often disguise their behavior, which can have a negative impact on the final prediction results. In addition, existing research has overlooked the importance of balancing neighbor information and central node information. For example, when the central node has too many neighbors, the features of the central node itself are often neglected. Finally, fraud activities and patterns are constantly changing over time, so considering the dynamic evolution of graph edge relationships is also very important.

چکیده به فارسی (ترجمه ماشینی)

کلاهبرداری مالی به عمل به دست آوردن مزایای مالی از طریق ابزارهای نامشخص اشاره دارد.چنین رفتاری نه تنها ترتیب بازار مالی را مختل می کند بلکه به توسعه اقتصادی و اجتماعی نیز آسیب می رساند و سایر فعالیت های غیرقانونی و جنایتکارانه را پرورش می دهد.با محبوبیت در اینترنت و روش های پرداخت آنلاین ، بسیاری از فعالیت های کلاهبرداری و رفتارهای پولشویی در زندگی از آفلاین به صورت آنلاین تغییر یافته و یک چالش بزرگ برای مقامات نظارتی ایجاد شده است.چگونه می توان این فعالیت های کلاهبرداری مالی را به طور مؤثر تشخیص داد ، به یک مسئله فوری تبدیل شده است که باید برطرف شود.شبکه های عصبی نمودار نوعی از مدل یادگیری عمیق هستند که می توانند از روابط تعاملی در ساختار گراف استفاده کنند و آنها به طور گسترده در زمینه تشخیص کلاهبرداری استفاده شده اند.با این حال ، هنوز برخی از مسائل وجود دارد.اول ، فعالیت های کلاهبرداری فقط بخش بسیار کمی از نقل و انتقالات معامله را به خود اختصاص می دهد و منجر به یک مشکل اجتناب ناپذیر عدم تعادل برچسب در تشخیص کلاهبرداری می شود.در عین حال ، کلاهبرداران اغلب رفتار خود را مبدل می کنند ، که می تواند تأثیر منفی بر نتایج پیش بینی نهایی داشته باشد.علاوه بر این ، تحقیقات موجود از اهمیت متعادل کردن اطلاعات همسایه و اطلاعات گره مرکزی غافل شده است.به عنوان مثال ، هنگامی که گره مرکزی همسایگان زیادی دارد ، ویژگی های خود گره مرکزی اغلب مورد غفلت قرار می گیرد.سرانجام ، فعالیت ها و الگوهای کلاهبرداری دائماً با گذشت زمان در حال تغییر هستند ، بنابراین با توجه به تکامل پویا روابط لبه گراف نیز بسیار مهم است.