Εφαρμογή τεχνικών μηχανικής μάθησης γράφων για ανίχνευση απάτης συναλλαγών

Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Θεωρία γράφων ; Μηχανική μάθηση ; Βαθιά μηχανική μάθηση ; GCN ; GNNΠερίληψη
Η ανίχνευση απάτης στις οικονομικές συναλλαγές αποτελεί κρίσιμο ζήτημα στον τομέα
των χρηματοοικονομικών, καθώς η ταχεία ανάπτυξη της τεχνολογίας έχει αυξήσει τη
συχνότητα και την πολυπλοκότητα των δόλιων δραστηριοτήτων. Οι παραδοσιακές
μέθοδοι ανάλυσης δεδομένων συχνά αποδεικνύονται ανεπαρκείς για την αντιμετώπιση
της αυξανόμενης πολυπλοκότητας αυτών των προβλημάτων. Σε αυτό το πλαίσιο, οι
αλγόριθμοι μηχανικής μάθησης για γραφήματα (Graph Machine Learning) αναδεικνύονται
ως μια καινοτόμος και ισχυρή προσέγγιση για την ανίχνευση απάτης, καθώς επιτρέπουν
την αξιοποίηση των δομικών χαρακτηριστικών και των σχέσεων μεταξύ των δεδομένων.
Η παρούσα διατριβή εξετάζει την εφαρμογή των αλγορίθμων μηχανικής μάθησης για
γραφήματα στην ανίχνευση απάτης στις οικονομικές συναλλαγές. Αναλύονται σύγχρονες
τεχνικές όπως η Graph Neural Networks (GNNs), η Graph Convolutional Networks
(GCNs), ενώ παράλληλα διερευνώνται τα πλεονεκτήματα και οι περιορισμοί τους σε
πραγματικά σενάρια. Μέσα από την ενσωμάτωση χαρακτηριστικών όπως η τοπολογία
του γραφήματος, η ανάλυση των συσχετίσεων και η δυναμική των δεδομένων, η διατριβή
παρουσιάζει ένα πλαίσιο που στοχεύει στη βελτίωση της ακρίβειας και της
αποτελεσματικότητας στην ανίχνευση δόλιων συναλλαγών.
Τα αποτελέσματα της έρευνας υποδεικνύουν ότι οι αλγόριθμοι μηχανικής μάθησης για
γραφήματα μπορούν να αναδείξουν κρυμμένα μοτίβα απάτης, προσφέροντας ένα ισχυρό
εργαλείο για την αντιμετώπιση της απάτης στις οικονομικές συναλλαγές. Η μελέτη
καταλήγει με συστάσεις για μελλοντική έρευνα και πιθανές εφαρμογές σε βιομηχανικά
περιβάλλοντα.