ارائه کننده: سامیه خسروی
استاد راهنما: دكتر مهرداد كارگري
استاد مشاور: دكتر بابك تيمورپور
استاد مشاوردوم : دكتر محمد طالبي
استاد مشاور سوم : دكتر عبدالله عشقي
استاد داور داخلي: دكتر الهام آخوند زاده نوقايي، دكتر توكتم خطيبي
استاد داور خارج از دانشگاه: دكتر بهروز مينايي بيدگلي، دكتر علي كمندي
نماينده تحصيلات تكميلي: دكتر الهام آخوند زاده نوقايي
تاریخ: ۱۴۰۴/۰۶/۳۱
ساعت: ۱۵:۰۰
مكان: كريدور كارآفريني و نوآوري - طبقه اول دانشكده فني و مهندسي

چکیده:
تقلب‌های سازمان‌یافته با بهره‌گیری از خدمات مالی متداول و مبتنی بر اینترنت، به‌طور مداوم الگوهای خود را تغییر داده و پیچیده‌تر می‌کنند تا از شناسایی توسط سیستم‌های مبارزه با تقلب فرار کنند. این فعالیت‌های مجرمانه، که اغلب از طریق شبکه‌های گروهی توسعه می‌یابند، به‌صورت پویا تحول می‌یابند و با تقلید رفتارهای خوش‌نیت در حجم انبوه تراکنش‌های عادی پنهان می‌شوند. این رفتارها، همراه با درگیری طرف‌های متعدد و انجام تقلب در بازه‌های زمانی کوتاه، شناسایی را به چالشی پیچیده تبدیل کرده‌است، زیرا بررسی جداگانه موجودیت‌ها و ویژگی‌های تراکنش ممکن است آن‌ها را غیرمشکوک جلوه دهد. برای غلبه بر این چالش‌ها، این پژوهش روشی نوین و سه‌بخشی مبتنی بر تلفیق تحلیل شبکه‌های پیچیده و یادگیری ماشین برای شناسایی تقلب‌های سازمان‌یافته ارائه می‌دهد. در بخش نخست، شبکه تراکنش‌ها ساخته شده و با استفاده از ویژگی‌های شبکه‌ای، تعبیه‌های مبتنی بر مدل مخفی مارکوف تولید می‌شوند تا روابط غیرعادی بین موجودیت‌ها استخراج گردد. در بخش دوم، با بهره‌گیری از گام­زنی احتمالاتی برای تشخیص تقلب، تعبیه‌هایی تولید می‌شود که الگوهای رفتاری محلی و پنهان را مدل‌سازی می‌کنند. در بخش سوم، با بازسازی ماتریس مجاورت، تولید تعبیه‌های شبکه پیچشی گرافی و ترکیب آن‌ها از طریق مکانیزم‌های توجه فضایی و زمانی، مدلی طراحی می‌شود که اطلاعات محلی و جهانی را به‌طور هم‌زمان تجمیع می‌کند. این رویکرد، با مدل‌سازی توالی‌های رفتاری و مدیریت پیچیدگی‌های ساختاری و زمانی، توانایی شناسایی دقیق‌تر تقلب‌ها را فراهم می‌آورد. ارزیابی‌های انجام‌شده بر روی داده‌های واقعی بانکی و مجموعه‌داده‌های استاندارد (مانند یلپ‌چی وآمازون نشان‌دهنده برتری این روش در معیارهایی نظیر مساحت زیرمنحنی، معیار اف­وان و نرخ بازخوانی نسبت به روش‌های پایه و پیشرفته است. این دستاوردها تأیید می‌کنند که ترکیب چندوجهی ویژگی‌ها و مدل‌سازی فضایی-زمانی می‌تواند به‌طور مؤثری الگوهای پنهان تقلب را کشف کرده و راه را برای توسعه سیستم‌های پیشرفته تشخیص تقلب هموار سازد.