Nova analitička studija otkriva kako Grafovski Neuronski Modeli (GNN) nadmašuju konvencionalne metode otkrivanja prijevara mapiranjem skrivenih veza između transakcija, računa i ponašanja. Istraživanje, koje je analiziralo preko 100 znanstvenih radova, pruža okvir koji bi mogao preoblikovati način na koji financijske institucije štite korisnike od sofisticiranih prijevara. Za razliku od konvencionalnih sustava koji ispituju transakcije izolirano, GNN modeli identificiraju sumnjive obrasce kroz cijele mreže računa i ponašanja. Studija predstavlja četiri glavne vrste GNN modela: konvolucijski GNN – obrađuju obrasce transakcija slično prepoznavanju slika; GNN temeljeni na pažnji – usmjeravaju računalnu snagu na najsumnjivije veze; vremenski GNN – prate kako se obrasci transakcija razvijaju tijekom vremena i heterogeni GNN – istovremeno analiziraju različite vrste veza

Svaki pristup nudi prednosti za specifične scenarije prijevara – od krađe kreditnih kartica do složenih operacija pranja novca.

Istraživanje ističe primjene gdje GNN modeli već pokazuju učinkovitost. Open-source projekt AntiFraud na GitHubu predstavlja primjer implementacije ovih tehnika za zaštitu financijskih sustava.

Integriranje GNN modula u postojeće sustave može značajno poboljšati točnost uz smanjenje lažno pozitivnih rezultata – slučajeva kada se legitimne transakcije označavaju kao sumnjive.

Ipak, GNN modeli suočavaju se s nekoliko prepreka. Računalni resursi potrebni za obradu velikih transakcijskih grafova mogu biti značajni, potencijalno ograničavajući primjene u stvarnom vremenu. Objašnjavanje kako GNN modeli dolaze do zaključaka – ključno za regulatornu usklađenost – ostaje tehnički izazovno.

Studija pruža smjernice za konstruiranje financijskih grafova – temelja GNN analize – uključujući transakcijske grafove, grafove odnosa, grafove ponašanja i grafove protoka informacija. Svaki tip bilježi različite aspekte financijskih aktivnosti.