Финансовое мошенничество становится все сложнее, но и методы борьбы с ним не стоят на месте. Ученые из Университета Тунцзи и Технологического университета Сиднея проанализировали, как графовые нейронные сети (GNN) помогают выявлять фрод там, где классические алгоритмы бессильны. В отличие от традиционных систем, которые работают с отдельными транзакциями, GNN анализируют связи между пользователями, устройствами и операциями, выявляя скрытые схемы — от отмывания денег до страховых афер.

Графовые нейронные сети анализируют данные в виде графов (узлов и связей между ними). Например, в банковской сфере узлы — это клиенты, а связи — переводы между ними. GNN выявляют аномальные цепочки, которые могут указывать на мошенничество.

Результаты опубликованы в издании Frontiers of Computer Science.

Исследователи изучили более 100 работ и выделили четыре типа GNN, которые лучше всего подходят для обнаружения мошенничества:

• Сверточные — ищут закономерности в структуре графа.
• Основанные на внимании — выделяют наиболее подозрительные связи.
• Временные — отслеживают изменения в поведении.
• Гетерогенные — работают с разными типами данных.

Практические примеры, такие как проект AntiFraud на GitHub, показывают, что GNN действительно работают, но есть и сложности: высокая нагрузка на серверы, недостаточная прозрачность решений и необходимость постоянно обучать модели под новые схемы обмана.

Финансовым организациям GNN помогут снизить число ложных срабатываний и точнее выявлять фрод. Регуляторам — разработать более гибкие правила обмена данными без ущерба для приватности. А ученым — понять, над чем работать дальше: масштабируемостью, интерпретируемостью и адаптивностью моделей.

Главное преимущество GNN в том, что они улавливают даже слабые сигналы, которые человек или простой алгоритм пропустит. И хотя внедрение таких систем требует ресурсов, без них защита экономики от мошенников в будущем будет невозможна.

Этот обзор дает финансовым компаниям готовую схему для интеграции GNN в их системы мониторинга. Например, банки смогут быстрее выявлять схемы кардинга или подозрительные переводы между связанными счетами. Для регуляторов ценность в том, что GNN показывают: можно анализировать данные, не нарушая конфиденциальность пользователей. А разработчикам антифрод-решений исследование помогает понять, какие архитектуры нейросетей лучше подходят под конкретные задачи.

Однако авторы мало внимания уделяют проблеме «ложных друзей» — ситуациям, когда GNN принимают за мошенничество легальные, но нестандартные операции (например, крупные переводы между бизнес-партнерами). Без тонкой настройки это приведет к блокировкам невиновных клиентов и судебным искам.

Ранее мы разбирались, почему российские банки не успевают за цифровыми трендами.