الأفكار الخاطئة حول الشبكات العصبية البيانية: هل حقاً تقلل من فعالية كشف الاحتيال في بيتكوين؟

في ظل التطورات المتسارعة في مجال الذكاء الاصطناعي، تُعتبر الشبكات العصبية البيانية (Graph Neural Networks) من الأدوات الرئيسية المستخدمة في تحليل البيانات المعقدة، بما في ذلك الكشف عن الاحتيال في العملات الرقمية مثل بيتكوين. ولكن، يتوجب علينا إعادة تقييم فعالية هذه الشبكات تحت أضواء جديدة.

دراسة حديثة، مُدرجة على منصة arXiv، تستعرض مدى كفاءة النماذج مثل GCN وGraphSAGE وGAT وEvolveGCN في تحديد عمليات الاحتيال على بيانات بيتكوين. وقد أشار الباحثون إلى أن الإقرار بتفوق هذه النماذج على المعايير التقليدية المثبتة (feature-only baselines) قد يكون مجرد أسطورة لم يتم اختبارها بدقة.

من خلال تجربة مقارنة بين نماذج التعلم الاستقرائي (inductive) والتعلم الاستدلالي (transductive) باستخدام أدوات مضمونة، تبين أن النموذج التقليدي Random Forest استخدم ميزات خام (raw features) تحقيق دقة (F1 = 0.821) تفوق جميع الشبكات العصبية البيانية التي تم تقييمها، حيث لم تصل GraphSAGE إلا إلى (F1 = 0.689 +/- 0.017).

نتائج أخرى مثيرة جاءت من تجارب مُضبوطة، حيث لوحظ أن الفجوة البالغة 39.5 نقطة في دقة F1 ترجع إلى التعرض للبيانات بين فترات التدريب والاختبار. الأمر الأكثر إثارة هو أن التحليلات التي تم إجراؤها على البيانات البيانية أظهرت أن الرسوم البيانية عشوائية الأسلاك تفوقت على الرسوم البيانية المتعلقة بالمعاملات الحقيقية، مما يدل على أن التركيب التوبولوجي للبيانات يمكن أن يكون مضللاً تحت تغيرات زمنية معينة.

على الرغم من أن النماذج الهجينة التي تجمع بين تمثيلات الشبكة العصبية البيانية والميزات الخام لم تحقق سوى تحسن طفيف، إلا أنها لا تزال أدنى بكثير من المعايير التقليدية.

لذا، فقد أصدرت الدراسة الشيفرة، ونقاط التحكم، وبروتوكول استقرائي صارم لتمكين التقييم القابل للتكرار والذي يخلو من التسربات. هذه النتائج تدعونا لإعادة التفكير في استخدام الشبكات العصبية البيانية وتعزيز المناقشات حول فعالية النماذج التقليدية في عالم العملات الرقمية المتغير بسرعة.