استفاده از یادگیری عمیق برای کشف الگوهای پنهان در تقلب‌های مالی

با گسترش فناوری‌های دیجیتال و افزایش تراکنش‌های مالی آنلاین، مسئلة کشف تقلب‌های مالی به یکی از چالش‌های اساسی نهادهای بانکی و موسسات مالی تبدیل شده است. افزایش استفاده از کارت‌های اعتباری در خریدهای اینترنتی، انتقال وجه و خدمات الکترونیکی، فرصت‌های جدیدی را برای مجرمان سایبری فراهم کرده است تا با روش‌هایی پیچیده‌تر به سوءاستفاده از داده‌های کاربران و انجام تراکنش‌های غیرمجاز بپردازند. روش‌های سنتی کشف تقلب که معمولاً بر پایة قوانین ازپیش‌تعیین‌شده و الگوریتم‌های آماری ساده عمل می‌کنند، در تشخیص الگوهای پنهان و پیچیدة رفتار کاربران کارایی محدودی دارند و در مواجهه با تغییرات پویا در الگوهای تقلب، دچار افت عملکرد می‌شوند. در سال‌های اخیر، پیشرفت چشمگیر در حوزة یادگیری ماشین و یادگیری عمیق باعث تحول قابل‌توجهی در سیستم‌های کشف تقلب شده است. مدل‌های یادگیری ماشین مانند جنگل تصادفی، xgboost و ماشین بردار پشتیبان توانسته‌اند به طور موثری روابط آماری میان ویژگی‌های تراکنش‌ها را تحلیل کنند. بااین‌حال، مدل‌های یادگیری عمیق همچون شبکه‌های عصبی بازگشتی و lstmبا قابلیت درک وابستگی‌های زمانی در داده‌ها، عملکرد بهتری در شناسایی الگوهای رفتاری کاربران ارائه داده‌اند. ترکیب مدل‌های cnn و lstm در قالب ساختارهای هیبریدی، امکان استخراج هم‌زمان ویژگی‌های مکانی و زمانی تراکنش‌ها را فراهم کرده و دقت شناسایی تقلب را به شکل قابل‌توجهی افزایش داده است. باوجود این پیشرفت‌ها، چالش‌هایی مانند عدم توازن داده‌ها، تغییر الگوهای تقلب در طول زمان و شفافیت پایین مدل‌های یادگیری عمیق همچنان از موانع مهم در مسیر توسعة سیستم‌های هوشمند تشخیص تقلب هستند. در این پژوهش، با مرور نظام‌مند 15 مقالة علمی منتشرشده بین سال‌های 2020 تا 2025، چارچوبی بر استفاده از یادگیری عمیق مرور می‌شود که ضمن افزایش دقت مدل، قابلیت انطباق با داده‌های پویا و درک بهتر از رفتار تراکنش‌ها را نیز داراست. این مطالعه با بررسی روش‌هایی چون smote-enn برای متعادل‌سازی داده‌ها و استفاده از مکانیسم توجه برای افزایش تمرکز مدل بر ویژگی‌های بحرانی، مروری بر مسیر گذشته برای توسعة سامانه‌های مقاوم و تفسیرپذیر در کشف تقلب‌های مالی ترسیم می‌کند.