רשת עמוקה שאריתית 1D-CNN עם תשומת-לב עצמית לזיהוי הונאות בעסקאות בכלכלות וירטואליות

מדוע עולמות וירטואליים זקוקים להגנה ממשית

מהופעות וירטואליות ועד קניונים דיגיטליים, יותר ויותר כסף שלנו זורם דרך עולמות מקוונים שלעיתים נקראים המטאוורס. בכל מקום שהכסף נע, המתחזים מבצעים מעקב במהרה. מאמר זה בוחן כיצד סוג חדש של מודל בינה מלאכותית יכול לצפות בעסקאות מהירות שקשה לעקוב אחריהן ולסמן בזמן אמת התנהגויות מסוכנות, ובכך לעזור לשמור על הארנקים הווירטואליים של משתמשים בטוחים יותר.

הכסף זז במטאוורס

במטאוורס, משתמשים קונים ומוכרים מוצרים דיגיטליים, סוחרים בקרקעות וירטואליות ומעבירים מטבעות קריפטוגרפיים בין ארנקים המפוזרים ברחבי העולם. עסקאות אלה משאירות עקבות מורכבים: חותמות זמן, סכומים, מיקומים, פרטי התקנים, דפוסי התנהגות ועוד. בניגוד לבנקאות מסורתית, הנתונים האלה הם בעלי נפח גבוה, חלקית אנונימיים ומתמשכים בזרימה רציפה. מערכות הונאה ישנות, שבדרך כלל מקבלות החלטה פשוטה של כן-או-לא לגבי הונאה, מתקשות בסביבה החדשה הזו. הן לא נבנו להתמודד עם התנהגויות משתנות, זהויות נסתרות והצורך לתייג כל עסקה בתוך מילי-שניות.

הפיכת נתונים מבולגנים לאותות שימושיים

המחברים בונים על מאגר עסקאות מטאוורס פומבי עם כמעט 80,000 רשומות, כל אחת מתויגת כרמת סיכון נמוכה, בינונית או גבוהה. כל עסקה כוללת 14 פריטים שונים של מידע, כמו שעת היום, סוג העסקה (למשל, רכישה, העברה או הונאה), אזור המשתמש, תדירות ההתחברות וציון סיכון מחושב. רבים מהפריטים הם מילות טקסט ולא מספרים, לכן הצוות ממיר אותם לרצפים מספריים באמצעות סכמות קידוד פשוטות. הם גם מתקנים בעיה מעשית מרכזית: רוב העסקאות בטוחות בעוד שהעסקאות בסיכון גבוה נדירות. כדי למנוע מהמודל "ללמוד" שהכל בטוח, הם משכפלים מקרים מיעוטיים של סיכון גבוה ובינוני עד שלוש רמות הסיכון מיוצגות שווה.

מודל בינה רב-שכבתי שמעניק תשומת-לב

בלב העבודה נמצא מודל למידה עמוקה המבוסס על רשת עצבית מתמרת חד־ממדית (1D-CNN). סוג רשת זה מיועד לרצפים, ולכן יכול להתייחס לתכונות העסקה יותר כאל סדרת זמן קצרה מאשר כתמונה סטטית, ולתפוס דפוסים מקומיים עדינים באופן שבו התכונות מסתדרות. בנוסף לכך, המחברים מוסיפים שני חידושים מודרניים. חיבורי שאריות (residual) פועלים כסיכולים שמאפשרים למידע לזרום בצורה חלקה יותר דרך השכבות, מה שמקל על אימון רשתות עמוקות ללא תקיעות. מנגנון תשומת-לב עצמי לומד אז אילו חלקים בכל עסקה חשובים ביותר בקביעת רמת הסיכון, ומקצה משקל גדול יותר לרמזים כגון ציוני סיכון לא שיגרתיים או דפוסי רכישה חשודים.

בדיקת המערכת

לאחר האימון, המודל מוערך בכמה דרכים. במאגר הנתונים המאוזן של המטאוורס הוא מסווג עסקאות בסיכון נמוך, בינוני וגבוה עם ציונים מושלמים במדדים סטנדרטיים: כל מקרה מסוכן בחלוקת הבדיקה מזוהה ומתויג כראוי. ולידציה צולבת, שמערבבת ומחלקת את הנתונים שוב ושוב, מאשרת שהביצועים הללו יציבים ולא תוצאה של מזל בחלוקה אחת. המחברים משווים גם וריאציות של הארכיטקטורה שלהם—שימוש רק ב-1D-CNN, הוספת חיבורי שאריות בלבד, הוספת תשומת-לב בלבד או שילוב שניהם—ומוצאים שכולן משיגות דיוק שורה עליון דומה במאגר הנתונים הנקי הזה, אם כי הגרסה המלאה איטית יותר לאימון. כדי לבדוק עמידות, הם מוסיפים בכוונה סוגים שונים של רעש ועיוותים; הביצועים יורדים תחת זיהום כבד אך נשארים חזקים כאשר תכונות חסרות באופן אקראי. כלים חזותיים כגון תרשימי t-SNE מראים כי לאחר העיבוד, העסקאות מצטברות באופן מסודר לשלוש קבוצות המתאימות לרמות הסיכון, דבר שמרמז כי המודל הפריד באמת בין דפוסי היסוד.

מעבר למטאוורס: גם הונאה מסורתית

כדי לראות אם הגישה מתכללת, הצוות מיישם את אותה 1D-CNN משופרת על מאגר נתונים נפוץ לזיהוי הונאות בכרטיסי אשראי מאירופה, שגם בו קיימת חוסר-איזון חמור בין המעמדות. לאחר איזון רק חלק האימון והשארת מערך המבחן ללא שינוי, המודל מגיע לכ־94% דיוק ולדיוק וזכירה חזקים בדומה על מקרי הונאה. זה מצביע שהארכיטקטורה אינה מותאמת רק לנתוני מטאוורס, אלא יכולה גם להתמודד עם עסקאות כרטיס שגרתיות, ומציעה דרך מאוחדת לדרג סיכון הן במערכות פיננסיות וירטואליות והן במסורתיות.

מה זה אומר למשתמשים היומיומיים

עבור קורא שאינו מומחה, המסר המרכזי פשוט: ככל שאנו מבלים יותר זמן וכסף בתוך עולמות דיגיטליים, אנו זקוקים לשומרים חכמים יותר בשערים. המחקר הזה מראה שמודל בינה מלאכותית שתוכנן בקפידה יכול ללטש את הזרמים הרועשים והמשתנים במהירות של עסקאות המטאוורס ולהבחין בין פעילות שגרתית להתנהגות חשודה באמת, ובו־זמנית לפעול היטב גם על נתוני כרטיסי אשראי רגילים. למרות שהמחברים מודים שביצועים מושלמים במאגרים נקיים וסינטטיים אינם צפויים לשמור על עצמם בכל התרחישים בעולם האמיתי, מבחני רעש ולחץ מצביעים על בסיס איתן. בפועל, מערכות כאלה יוכלו לעזור לפלטפורמות ולבנקים לזהות דפוסים מסוכנים מוקדם, לצמצם הפסדי הונאה ולתת למשתמשים ביטחון גדול יותר שהנכסים הווירטואליים שלהם מפוקחים בזמן אמת.

ציטוט: Mohammed, K.K., Abdo, A.S., Darwish, A. et al. A deep residual 1D-CNN with self-attention for fraud transaction detection in virtual economies. Sci Rep 16, 6150 (2026). https://doi.org/10.1038/s41598-026-37032-w

מילות מפתח: מיקרו-כלכלת המטאוורס, זיהוי הונאות, למידה עמוקה, מיון סיכונים, עסקאות וירטואליות