Связанная модульная симплициальная графовая нейронная сеть с оптимизацией таяния снега для обнаружения мошенничества в платежных системах в режиме реального времени

Почему важно выявлять мошенничество за миллисекунды

Каждый раз, когда карту прикладывают, телефон подносят или нажимают кнопку онлайн-оплаты, банк имеет долю секунды, чтобы решить: это реальная покупка или мошенничество? В этот миг решается — будет ли платеж безопасен или счет опустеет. По мере стремительного роста числа и скорости цифровых платежей злоумышленники придумывают новые трюки, а многие существующие фильтры мошенничества оказываются слишком жесткими, медленными или легко обманываемыми. В статье предложен новый, более гибкий способ выявления подозрительных платежей в реальном времени, направленный на защиту клиентов и финансовых учреждений при меньшем количестве ложных срабатываний.

Рост цифрового обмана

Банки и платежные компании сейчас просеивают сотни тысяч карточных транзакций в день, и лишь малая доля из них мошенническая. Такое несоответствие делает задачу особенно сложной: системы склонны считать большинство операций «нормальными», позволяя хитроумным схемам проходить незамеченными. Старые методы защиты часто основаны на вручную заданных правилах — например, блокировка платежей выше определенной суммы или из определенных мест. Эти правила не справляются, когда мошенники меняют тактику, и часто помечают легитимные покупки, раздражая клиентов и продавцов. Современные системы машинного обучения улучшили ситуацию, но по-прежнему испытывают трудности с шумными данными, скрытыми паттернами, охватывающими несколько аккаунтов, и необходимостью быстро адаптироваться к изменениям поведения.

Более умный конвейер от сырых платежей до решений

Авторы предлагают сквозной конвейер, который рассматривает данные платежей не как отдельные строки таблицы, а как живую сеть связей между держателями карт, торговцами, устройствами и временем. Процесс начинается с очистки потока транзакций с помощью адаптивного шага фильтрации, который сглаживает сбои и выбросы, сохраняя при этом реальные признаки мошенничества. Затем используется интеллектуальный селектор признаков, вдохновленный поисковым поведением небольшого австралийского животного — квокки. Этот алгоритм просматривает десятки возможных атрибутов транзакций и оставляет только те, которые действительно помогают отличать нормальное поведение от подозрительного, устраняя шум и избыточность, чтобы последующие стадии могли сосредоточиться на действительно важных сигналах.

Дать слово сети платежей

В основе системы лежит новая модель, названная связанной модульной симплициальной графовой нейронной сетью. Проще говоря, она разбивает огромный клубок транзакций на небольшие специализированные модули, каждый из которых изучает разные аспекты поведения, а затем соединяет их в более крупную «супермодель». В отличие от традиционных подходов, учитывающих только попарные связи, такая архитектура также рассматривает более высокопорядковые группировки — например, кластеры карт и торговцев, которые часто взаимодействуют необычным образом и могут указывать на организованные мошеннические схемы. Механизм внимания помогает модели фокусироваться на наиболее информативных связях, позволяя выявлять тонкие многосторонние паттерны, которые простые правила или стандартные нейросети могут пропустить.

Настройка системы для скорости и надежности

После того как модель выучила эти сложные паттерны, требуется тонкая настройка внутренних параметров, чтобы она допускала как можно меньше ошибок. Для этого исследователи используют еще один метод, вдохновленный природой, основанный на том, как снег тает и сходит с гор. Схема оптимизации ищет комбинации весов модели, которые одновременно повышают точность и сохраняют систему легкой и быстрой. В тестах на широко используемом европейском наборе данных по кредитным картам с почти 285 000 реальными транзакциями, включая менее 500 подтвержденных мошенничеств, полный конвейер показал около 99,5% точности, с аналогично высокими показателями по выявлению мошенничества и по снижению ложных срабатываний. Решения также генерировались в доли секунды, что подходит для блокировки рискованных платежей в реальном времени.

Что это значит для повседневных пользователей

Проще говоря, исследование показывает: если рассматривать платежные данные как взаимосвязанную сеть, аккуратно их очищать, отбирать наиболее полезные сигналы и затем тонко настраивать мощную сетевую модель, можно добиться практически идеального обнаружения мошенничества в реалистичных условиях. Для держателей карт это означает меньше отклоненных легитимных покупок и лучшую защиту от кражи. Для банков и платежных платформ это масштабируемая, быстрая и статистически проверенная схема, способная адаптироваться к новым стратегиям мошенников при разумных затратах на вычисления. По мере того как будущие версии добавят лучшую прозрачность и возможности аудита, подобные подходы могут стать базовой технологией для обеспечения безопасности цифровых денег в мире с все меньшим количеством наличных.

Цитирование: Ramoju, V.C.S., Biswal, S., Kotecha, K. et al. Coupled modular simplicial graph neural network with snow ablation optimization for real-time fraud detection in payment systems. Sci Rep 16, 9278 (2026). https://doi.org/10.1038/s41598-026-40226-x

Ключевые слова: обнаружение мошенничества с кредитными картами, графовые нейронные сети, платежи в реальном времени, кибербезопасность в финансах, модели машинного обучения