مروری بر روش‌های تشخیص ناهنجاری گرافی در داده‌های مالی

در علوم کامپیوتر، تحقیقات در مورد تشخیص ناهنجاری به دهه 1980 برمی‌گردد و شناسایی ناهنجاری‌ها در داده‌های گرافی از ابتدا یک پارادایم داده کاوی مهم بوده است. به طور معمول بین نمونه‌ها و ویژگی‌ها وابستگی هایی وجود دارد که گراف‌ها می‌توانند برای درنظر گرفتن این وابستگی‌ها یک ابزار قدرت‌مند محسوب شوند. گراف‌ها برای نشان دادن اطلاعات ساختاری/رابطه‌ای استفاده می‌شوند که می‌توان از آن‌ها برای تشخیص ناهنجاری به صورت کارایی بهره گرفت. گره‌های غیرعادی معمولاً به عنوان گره‌های منفردی شناخته می‌شوند که به طور قابل توجهی با سایرین تفاوت دارند. تشخیص ناهنجاری معمولاً با شناسایی داده‌های دورافتاده در فضای ویژگی حل می‌شود، که به طور ذاتی، اطلاعات رابطه‌ای در داده‌های دنیای واقعی را نادیده می‌گیرد. تکنیک‌های تشخیص ناهنجاری سنتی به طور عمده بر روی ویژگی‌های عددی یا ماتریسی داده‌ها کار می‌کنند. این روش‌ها در صورتی که تعداد ویژگی‌ها کم باشد و داده‌ها از ساختار گرافی برخوردار نباشند، به خوبی عمل می‌کنند. اما وقتی مسئله به تشخیص ناهنجاری در گراف می‌رسد، به دلیل پیچیدگی داده‌های گراف، نمی‌توانند به خوبی عمل کنند. با ظهور یادگیری عمیق، این محدودیت‌ها شکسته شده و تشخیص ناهنجاری گراف با استفاده از روش‌های یادگیری عمیق اخیراً توجه فزاینده‌ای را به خود جلب کرده است. در این مقاله، سعی بر این است که یک بررسی سیستماتیک و جامع از تکنیک‌های یادگیری عمیق اخیر برای تشخیص ناهنجاری گراف ارائه گردد.