Uma 1D-CNN residual profunda com self-attention para detecção de transações fraudulentas em economias virtuais

Por que mundos virtuais precisam de proteção do mundo real

De shows virtuais a shoppings digitais, uma parcela crescente do nosso dinheiro começa a fluir por mundos online frequentemente chamados de metaverso. Onde o dinheiro se move, os fraudadores logo aparecem. Este artigo investiga como um novo tipo de modelo de inteligência artificial pode monitorar essas transações rápidas e de difícil rastreamento e sinalizar comportamentos de risco em tempo real, ajudando a manter as carteiras virtuais das pessoas mais seguras.

O dinheiro circula no metaverso

No metaverso, usuários compram e vendem bens digitais, negociam terrenos virtuais e transferem criptomoedas entre carteiras espalhadas pelo mundo. Essas transações deixam rastros complexos: carimbos de data/hora, valores, localizações, detalhes do dispositivo, padrões de comportamento e mais. Ao contrário da banca tradicional, esses dados são de alto volume, parcialmente anônimos e em fluxo constante. Sistemas de fraude antigos, que normalmente tomam uma decisão simples de sim ou não sobre se uma transação é fraudulenta, têm dificuldade com esse novo ambiente. Eles não foram projetados para lidar com comportamentos mutáveis, identidades ocultas e a necessidade de avaliar cada transação em milissegundos.

Transformando dados bagunçados em sinais úteis

Os autores trabalham com um conjunto de dados público de transações do metaverso com quase 80.000 registros, cada um rotulado como risco baixo, moderado ou alto. Cada transação inclui 14 diferentes informações, como hora do dia, tipo de transação (por exemplo, compra, transferência ou golpe), região do usuário, frequência de login e um escore de risco calculado. Muitas dessas peças são palavras, não números, então a equipe primeiro as converte em forma numérica usando esquemas de codificação simples. Eles também corrigem um problema real importante: a maioria das transações é segura, enquanto as de alto risco são raras. Para evitar que o modelo “aprenda” que tudo é seguro, eles duplicam casos minoritários de risco alto e moderado até que os três níveis de risco estejam igualmente representados.

Um modelo de IA em camadas que presta atenção

No coração do trabalho está um modelo de aprendizado profundo baseado em uma rede neural convolucional unidimensional, ou 1D-CNN. Esse tipo de rede é projetado para sequências, de modo que pode tratar as características de uma transação mais como uma curta série temporal do que como uma foto estática, captando padrões locais sutis em como os atributos se alinham. Sobre isso, os autores adicionam duas inovações modernas. Conexões residuais funcionam como atalhos que ajudam a informação a fluir mais suavemente pelas camadas, tornando mais fácil treinar redes mais profundas sem travamentos. Um mecanismo de self-attention então aprende quais partes de cada transação importam mais para decidir seu nível de risco, atribuindo maior peso a indícios como escores de risco incomumente altos ou padrões de compra suspeitos.

Testando o sistema

Uma vez treinado, o modelo é avaliado de várias maneiras. No conjunto de dados balanceado do metaverso, ele classifica transações de baixo, moderado e alto risco com pontuações perfeitas nas medidas padrão: todo caso de risco no conjunto de teste é encontrado e rotulado corretamente. A validação cruzada, que embaralha e divide os dados repetidamente, confirma que esse desempenho é estável em vez de sorte em uma única divisão. Os autores também comparam variações de sua arquitetura — usando apenas a 1D-CNN, adicionando apenas conexões residuais, adicionando apenas attention, ou combinando ambas — e constatam que todas atingem precisão de topo semelhante nesse conjunto limpo, embora a versão completa seja mais lenta para treinar. Para sondar robustez, eles adicionam deliberadamente diferentes tipos de ruído e distorções; o desempenho cai sob corrupção pesada, mas permanece forte quando características simplesmente faltam aleatoriamente. Ferramentas visuais como gráficos t-SNE mostram que, após o processamento, as transações se agrupam ordenadamente em três grupos correspondentes aos níveis de risco, sugerindo que o modelo separou genuinamente os comportamentos subjacentes.

Além do metaverso: fraude tradicional também

Para verificar se a abordagem generaliza, a equipe aplica a mesma 1D-CNN aprimorada a um conjunto de dados amplamente usado de fraude em cartões de crédito na Europa, que também sofre de forte desbalanceamento de classes. Após balancear apenas a porção de treinamento e deixar o conjunto de teste intacto, o modelo alcança cerca de 94% de acurácia e precisão e recall igualmente fortes nos casos de fraude. Isso indica que a arquitetura não é apenas específica aos dados do metaverso, mas também pode lidar com transações de cartão mais familiares, oferecendo uma forma unificada de pontuar risco tanto em sistemas financeiros virtuais quanto tradicionais.

O que isso significa para usuários comuns

Para o público geral, a mensagem principal é direta: à medida que passamos mais tempo e dinheiro em mundos digitais, precisamos de guardiões mais inteligentes nos portões. Este estudo mostra que um modelo de IA bem projetado pode vasculhar os fluxos ruidosos e em rápida mudança das transações do metaverso e separar atividade rotineira de comportamento verdadeiramente suspeito, além de funcionar bem em dados ordinários de cartão de crédito. Embora os autores reconheçam que desempenho perfeito em conjuntos limpos e sintéticos é improvável de se manter em todos os cenários do mundo real, seus testes de ruído e estresse sugerem uma base sólida. Na prática, tais sistemas poderiam ajudar plataformas e bancos a detectar padrões perigosos cedo, reduzir perdas por fraude e dar aos usuários mais confiança de que seus ativos virtuais estão sendo monitorados em tempo real.

Citação: 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

Palavras-chave: finanças do metaverso, detecção de fraude, aprendizado profundo, classificação de risco, transações virtuais