في عصر تتزايد فيه عمليات الاحتيال، يأتي TravelFraudBench (TFG) كحل مبتكر لمواجهة هذه المشكلة، وخصوصاً في مجال السفر. تم تطوير هذا المعيار القابل للتكوين لتقييم أداء الشبكات العصبية الرسومية (GNNs) في الكشف عن عمليات الاحتيال على منصات السفر.

يتميز TFG بقدرته على محاكاة ثلاثة أنواع فرعية مخصصة للسفر، تشمل عمليات احتيال التذاكر التي تعتمد على بنية النجم (star topology) مع التجمعات المشتركة للأجهزة وعناوين IP، ومخططات الفنادق الوهمية التي تستخدم تصميم المراجعين والفنادق الثنائي، ورrings استيلاء الحسابات (account takeover) التي تعتمد على سلاسل نقل الولاء في رسم بياني غير متجانس يتضمن تسعة أنواع من العقد واثني عشر نوعاً من الحواف.

يتيح TFG للباحثين تخصيص حجم الحلقات وعددها ومعدل الاحتيال ونطاق الرسم البياني، حيث يمكن أن يتراوح عدد العقد بين 500 إلى 200,000، مما يجعله أداة مثالية لدراسة الاحتيال عبر أنواع مختلفة من البنية.

يظهر البحث أن أساليب مثل GraphSAGE قد حققت تقدماً متميزاً، حيث حصلت على AUC بقيمة 0.992، بينما حقق أسلوب RGCN-proj AUC = 0.987، مما يتفوق على خط الأساس MLP الذي حقق AUC = 0.938. هذا يثبت أن هيكل الرسم البياني يضيف قوة تمييزية كبيرة.

للباحثين والمطورين، يأتي TFG كحزمة مفتوحة المصدر بلغة بايثون (MIT license)، مدعومة بأدوات مثل PyG وDGL وNetworkX، بالإضافة إلى مجموعات بيانات مسبقة التوليد المتاحة على [huggingface.co](https://huggingface.co/datasets/bsajja7/travel-fraud-graphs). هذه الخطوات تسهم بشكل كبير في تعزيز الذكاء الاصطناعي المسؤول وتهدف إلى تحسين تقنيات الكشف عن الاحتيال في المستقبل.

ما رأيكم في هذه التطورات المثيرة في عالم مكافحة الاحتيال؟ شاركونا بتعليقاتكم!