Głęboka resztkowa 1D-CNN z mechanizmem samouważności do wykrywania oszustw transakcyjnych w gospodarkach wirtualnych

Dlaczego światy wirtualne potrzebują ochrony z prawdziwego świata

Od wirtualnych koncertów po cyfrowe centra handlowe — coraz większa część naszych pieniędzy przepływa przez światy online często określane jako metaverse. Tam, gdzie przepływa pieniądz, szybko pojawiają się oszuści. Artykuł bada, jak nowy rodzaj modelu sztucznej inteligencji może obserwować te szybko zachodzące, trudne do śledzenia transakcje i w czasie rzeczywistym oznaczać zachowania ryzykowne, pomagając chronić wirtualne portfele użytkowników.

Pieniądz w metaverse się przemieszcza

W metaverse użytkownicy kupują i sprzedają dobra cyfrowe, handlują wirtualnymi gruntami i przesyłają kryptowaluty między portfelami rozrzuconymi po całym świecie. Te transakcje pozostawiają złożone ślady: znaczniki czasu, kwoty, lokalizacje, dane urządzeń, wzorce zachowań i więcej. W przeciwieństwie do tradycyjnego bankowości, te dane są dużej objętości, częściowo anonimowe i stale napływają w strumieniu. Stare systemy wykrywania oszustw, które zwykle podejmują prostą decyzję tak/nie, mają problem w tym nowym środowisku. Nie są zaprojektowane do radzenia sobie ze zmieniającymi się zachowaniami, ukrytymi tożsamościami i potrzebą ocenienia każdej transakcji w ciągu milisekund.

Przekształcanie chaotycznych danych w użyteczne sygnały

Autorzy korzystają z publicznego zbioru danych transakcji z metaverse zawierającego prawie 80 000 rekordów, z których każdy jest oznaczony jako niskie, średnie lub wysokie ryzyko. Każda transakcja obejmuje 14 różnych informacji, takich jak pora dnia, typ transakcji (np. zakup, przelew, oszustwo), region użytkownika, częstotliwość logowań czy obliczony wskaźnik ryzyka. Wiele z tych danych to słowa, a nie liczby, więc zespół najpierw konwertuje je na formę numeryczną przy użyciu prostych schematów kodowania. Korygują również istotny problem rzeczywisty: większość transakcji jest bezpieczna, a transakcje wysokiego ryzyka są rzadkie. Aby model nie „nauczył się”, że wszystko jest bezpieczne, duplikują mniejszościowe przypadki o wysokim i średnim ryzyku, aż wszystkie trzy poziomy ryzyka będą równie reprezentowane.

Wielowarstwowy model AI, który zwraca uwagę

Rdzeniem pracy jest model uczenia głębokiego oparty na jednowymiarowej konwolucyjnej sieci neuronowej, czyli 1D-CNN. Tego typu sieć jest zaprojektowana dla sekwencji, więc może traktować cechy transakcji bardziej jak krótki szereg czasowy niż statyczne zdjęcie, wychwytując subtelne lokalne wzorce ułożenia atrybutów. Nakładając na to, autorzy dodają dwie nowoczesne modyfikacje. Połączenia resztkowe działają jak skróty, które pomagają informacji płynąć sprawniej przez warstwy, ułatwiając trenowanie głębszych sieci bez utknięcia. Mechanizm samouważności (self-attention) uczy się, które części każdej transakcji mają największe znaczenie przy ocenie jej poziomu ryzyka, przydzielając większą wagę wskazówkom takim jak nietypowo wysokie oceny ryzyka czy podejrzane wzorce zakupowe.

Próba systemu

Po przeszkoleniu model jest oceniany na kilka sposobów. Na zrównoważonym zbiorze danych metaverse klasyfikuje transakcje o niskim, średnim i wysokim ryzyku z doskonałymi wynikami we wszystkich standardowych miarach: każdy przypadek ryzykowny w zestawie testowym zostaje znaleziony i poprawnie oznaczony. Walidacja krzyżowa, która wielokrotnie losowo miesza i dzieli dane, potwierdza, że ta wydajność jest stabilna, a nie wynikiem szczęścia na jednym podziale. Autorzy porównują także warianty swojej architektury — użycie samego 1D-CNN, dodanie tylko połączeń resztkowych, dodanie tylko attention lub połączenie obu — i stwierdzają, że wszystkie osiągają podobną wysoką dokładność na tym czystym zbiorze, choć pełna wersja jest wolniejsza w trenowaniu. Aby sprawdzić odporność, celowo dodają różne rodzaje szumu i zniekształceń; wydajność spada przy silnej degradacji, ale pozostaje wysoka, gdy cechy są jedynie losowo brakujące. Narzędzia wizualne, takie jak wykresy t-SNE, pokazują, że po przetworzeniu transakcje grupują się w trzy wyraźne klastry odpowiadające poziomom ryzyka, co sugeruje, że model rzeczywiście rozdzielił ukryte zachowania.

Powyżej metaverse: także tradycyjne oszustwa

Aby sprawdzić, czy podejście jest uogólnialne, zespół stosuje ten sam ulepszony 1D-CNN do powszechnie używanego zbioru danych dotyczącego oszustw na kartach kredytowych z Europy, który również cierpi z powodu silnej nierównowagi klas. Po zrównoważeniu tylko części treningowej i pozostawieniu zestawu testowego bez zmian, model osiąga około 94% dokładności oraz podobnie wysoką precyzję i recall w wykrywaniu oszustw. Wskazuje to, że architektura nie jest jedynie dopasowana do danych z metaverse, lecz może także obsługiwać bardziej znane transakcje kartowe, oferując ujednolicony sposób oceny ryzyka zarówno w systemach wirtualnych, jak i tradycyjnych.

Co to oznacza dla przeciętnego użytkownika

Dla laika kluczowy przekaz jest prosty: gdy spędzamy więcej czasu i wydajemy więcej pieniędzy w światach cyfrowych, potrzebujemy mądrzejszych strażników przy bramach. Badanie pokazuje, że starannie zaprojektowany model AI może przesiać hałaśliwe, szybko zmieniające się strumienie transakcji metaverse i oddzielić rutynowe działania od naprawdę podejrzanych zachowań, jednocześnie dobrze działając na zwykłych danych z kart kredytowych. Choć autorzy przyznają, że perfekcyjna wydajność na czystych, syntetycznych zbiorach danych raczej nie utrzyma się we wszystkich rzeczywistych warunkach, ich testy na szumie i obciążenia sugerują solidne podstawy. W praktyce takie systemy mogłyby pomóc platformom i bankom w wczesnym wykrywaniu niebezpiecznych wzorców, ograniczaniu strat związanych z oszustwami i dawać użytkownikom większą pewność, że ich wirtualne aktywa są monitorowane w czasie rzeczywistym.

Cytowanie: 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

Słowa kluczowe: finanse metaverse, wykrywanie oszustw, uczenie głębokie, klasyfikacja ryzyka, transakcje wirtualne