Визначення особливостей типології на основі графів для моделей машинного навчання у виявленні фінансового шахрайства

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.327410

Ключові слова:

фінансове шахрайство, шаблони транзакцій, машинне навчання, графовий аналіз, виявлення типології, класифікація, виявлення аномалій

Анотація

Досліджується виявлення шахрайства в мережах фінансових транзакцій за допомогою машинного навчання та графових типологій. Об’єктом дослідження є дані про фінансові транзакції, проаналізовані для підвищення точності та ефективності виявлення шахрайської діяльності. Проблема, що розглядається, полягає в обмеженій узагальнюваності та низькій частоті відкликання традиційних моделей виявлення шахрайства в складних реальних умовах.

Для вирішення цієї проблеми було розроблено гібридну структуру, яка інтегрує випадкові ліси, нейронні мережі та графові типологічні індикатори. Сім типологій відмивання було вилучено з графа транзакцій – віялове розсіювання, віялове розширення, розсіювально-збірний, збірно-розсіювальний, циклічний, двочастковий та складений двочастковий – і використано як додаткові ознаки для класифікації. SMOTE було застосовано для виправлення дисбалансу класів під час навчання.

Експериментальні результати показують, що додавання типологічних ознак значно покращує продуктивність моделі. Найкращі результати були отримані використовуючи випадковий ліс: акуратність 98,5%, точність 79,1%, частота відкликання 56,3% та показник F1 65,7%. Додавання прапорців на основі типології підвищило частоту відкликання на 9–11 відсоткових пунктів порівняно з моделями без них. Графові шаблони, такі як віялове розширення та розсіяння, були виявлені у 3,5–5,1% транзакцій, тоді як складніші структури, такі як циклічні та розсіювально-збірні, з›являлися рідше, але сильніше корелювали з відомим шахрайством.

Методи без нагляду також показали багатообіцяючі результати: автокодер виявив 60% випадків шахрайства серед 2% найпоширеніших аномальних транзакцій, тоді як K-середні виявили 55% шахрайства в межах позначених кластерів. Ці методи виявилися корисними для виявлення нових типів шахрайства, які ще не позначені в навчальних даних.

Модель підходить для інтеграції в системи фінансової безпеки з мінімальними вимогами до вхідних даних – ідентифікатори рахунків, позначки часу та суми транзакцій – поряд з базовою графовою аналітикою. Її стійкість до різних наборів даних свідчить про широку застосовність у різних фінансових установах

Біографії авторів

Sabina Rakhmetulayeva, Satbayev University

PhD, Professor

Department of Cybersecurity, Information Processing and Storage

Aliya Kulbayeva, International IT University

PhD Student

Department of Information Systems

Aigerim Bolshibayeva, International IT University

PhD, Assistant Professor

Department of Information Systems

Vassiliy Serbin, Satbayev University

PhD, Associate Professor

Department of Cybersecurity, Information Processing and Storage

Посилання

  1. National Money Laundering Risk Assessment (2024). U.S. Department of the Treasury. Available at: https://home.treasury.gov/system/files/136/2024-National-Money-Laundering-Risk-Assessment.pdf
  2. Jarugula, S. (2025). The Evolution of Fraud Detection: A Comprehensive Analysis of AI-Powered Solutions in Financial Security. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 11 (2), 919–926. https://doi.org/10.32628/cseit25112430
  3. Ali, A., Abd Razak, S., Othman, S. H., Eisa, T. A. E., Al-Dhaqm, A., Nasser, M. et al. (2022). Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review. Applied Sciences, 12 (19), 9637. https://doi.org/10.3390/app12199637
  4. Baisholan, N., Dietz, J. E., Gnatyuk, S., Turdalyuly, M., Matson, E. T., Baisholanova, K. (2025). FraudX AI: An Interpretable Machine Learning Framework for Credit Card Fraud Detection on Imbalanced Datasets. Computers, 14 (4), 120. https://doi.org/10.3390/computers14040120
  5. Li, X., Liu, S., Li, Z., Han, X., Shi, C., Hooi, B. et al. (2020). FlowScope: Spotting Money Laundering Based on Graphs. Proceedings of the AAAI Conference on Artificial Intelligence, 34 (04), 4731–4738. https://doi.org/10.1609/aaai.v34i04.5906
  6. Blanuša, J., Cravero Baraja, M., Anghel, A., von Niederhäusern, L., Altman, E., Pozidis, H., Atasu, K. (2024). Graph Feature Preprocessor: Real-time Subgraph-based Feature Extraction for Financial Crime Detection. Proceedings of the 5th ACM International Conference on AI in Finance, 222–230. https://doi.org/10.1145/3677052.3698674
  7. Tümmler, M., Quick, R. (2025). How to detect fraud in an audit: a systematic review of experimental literature. Management Review Quarterly. https://doi.org/10.1007/s11301-024-00480-7
  8. Dumitrescu, B., Baltoiu, A., Budulan, S. (2022). Anomaly Detection in Graphs of Bank Transactions for Anti Money Laundering Applications. IEEE Access, 10, 47699–47714. https://doi.org/10.1109/access.2022.3170467
  9. Karim, Md. R., Hermsen, F., Chala, S. A., De Perthuis, P., Mandal, A. (2024). Scalable Semi-Supervised Graph Learning Techniques for Anti Money Laundering. IEEE Access, 12, 50012–50029. https://doi.org/10.1109/access.2024.3383784
  10. Karim, R., Hermsen, F., Chala, S., de Perthuis, P., Mandal, A. (2023). Catch me if you can: Semi-supervised graph learning for spotting money laundering. arXiv. https://doi.org/10.48550/arXiv.2302.11880
  11. Islam, M. Z., Islam, M. S., Das, B. C., Reza, S. A., Bhowmik, P. K., Bishnu, K. K. et al. (2025). Machine Learning-Based Detection and Analysis of Suspicious Activities in Bitcoin Wallet Transactions in the USA. Journal of Ecohumanism, 4 (1). https://doi.org/10.62754/joe.v4i1.6214
  12. Rahman, A., Debnath, P., Ahmed, A., Dalim, H. M., Karmakar, M., Sumon, F. I., Khan, A. (2024). Machine learning and network analysis for financial crime detection: Mapping and identifying illicit transaction patterns in global black money transactions. Gulf Journal of Advance Business Research, 2 (6), 250–272. https://doi.org/10.51594/gjabr.v2i6.49
  13. Rahman, M. K., Dalim, H. M., Reza, S. A., Ahmed, A., Zeeshan, M. A. F., Jui, A. H., Nayeem, M. B. (2025). Assessing the Effectiveness of Machine Learning Models in Predicting Stock Price Movements During Energy Crisis: Insights from Shell’s Market Dynamics. Journal of Business and Management Studies, 7 (1), 44–61. https://doi.org/10.32996/jbms.2025.7.1.4
  14. Rahouti, M., Xiong, K., Ghani, N. (2018). Bitcoin Concepts, Threats, and Machine-Learning Security Solutions. IEEE Access, 6, 67189–67205. https://doi.org/10.1109/access.2018.2874539
  15. Podgorelec, B., Turkanović, M., Karakatič, S. (2019). A Machine Learning-Based Method for Automated Blockchain Transaction Signing Including Personalized Anomaly Detection. Sensors, 20 (1), 147. https://doi.org/10.3390/s20010147
  16. Pham, H.-G. T., Pham, Q.-V., Pham, A. T., Nguyen, C. T. (2020). Joint Task Offloading and Resource Management in NOMA-Based MEC Systems: A Swarm Intelligence Approach. IEEE Access, 8, 190463–190474. https://doi.org/10.1109/access.2020.3031614
  17. Ali, A. H., Hagag, A. A. (2024). An enhanced AI-based model for financial fraud detection. International Journal of ADVANCED AND APPLIED SCIENCES, 11 (10), 114–121. https://doi.org/10.21833/ijaas.2024.10.013
  18. Pan, E. (2024). Machine Learning in Financial Transaction Fraud Detection and Prevention. Transactions on Economics, Business and Management Research, 5, 243–249. https://doi.org/10.62051/16r3aa10
  19. Zhang, Q., Wang, Y., Cheng, J., Yan, H., Shi, K. (2023). Improved filtering of interval type-2 fuzzy systems over Gilbert-Elliott channels. Information Sciences, 627, 132–146. https://doi.org/10.1016/j.ins.2023.01.053
  20. Tarjo, T., Anggono, A., Sakti, E. (2021). Detecting Indications of Financial Statement Fraud: a Hexagon Fraud Theory Approach. AKRUAL: Jurnal Akuntansi, 13 (1), 119–131. https://doi.org/10.26740/jaj.v13n1.p119-131
  21. Policy on Anti-Fraud, Corruption, Money Laundering and Terrorism Financing, and Domiciliation of BSTDB Counterparties. Available at: https://www.bstdb.org/Antifraud_policy.pdf
  22. Xia, Z., Saha, S. C. (2025). FinGraphFL: Financial Graph-Based Federated Learning for Enhanced Credit Card Fraud Detection. Mathematics, 13 (9), 1396. https://doi.org/10.3390/math13091396
  23. Duman, E., Ozcelik, M. H. (2011). Detecting credit card fraud by genetic algorithm and scatter search. Expert Systems with Applications, 38 (10), 13057–13063. https://doi.org/10.1016/j.eswa.2011.04.110
  24. Ren, Y., Zhu, H., Zhang, J., Dai, P., Bo, L. (2021). EnsemFDet: An Ensemble Approach to Fraud Detection based on Bipartite Graph. 2021 IEEE 37th International Conference on Data Engineering (ICDE). https://doi.org/10.1109/icde51399.2021.00197
  25. Wójcik, F. (2024). An Analysis of Novel Money Laundering Data Using Heterogeneous Graph Isomorphism Networks. FinCEN Files Case Study. Econometrics, 28 (2), 32–49. https://doi.org/10.15611/eada.2024.2.03
  26. Cherif, A., Badhib, A., Ammar, H., Alshehri, S., Kalkatawi, M., Imine, A. (2023). Credit card fraud detection in the era of disruptive technologies: A systematic review. Journal of King Saud University - Computer and Information Sciences, 35 (1), 145–174. https://doi.org/10.1016/j.jksuci.2022.11.008
  27. Charizanos, G., Demirhan, H., İçen, D. (2024). An online fuzzy fraud detection framework for credit card transactions. Expert Systems with Applications, 252, 124127. https://doi.org/10.1016/j.eswa.2024.124127
  28. Xiang, S., Zhu, M., Cheng, D., Li, E., Zhao, R., Ouyang, Y., Chen, L., Zheng, Y. (2023). Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation. Proceedings of the AAAI Conference on Artificial Intelligence, 37 (12), 14557–14565. https://doi.org/10.1609/aaai.v37i12.26702
  29. Bolshibayeva, A. K., Uskenbayeva, R. K., Kuandykov, A. A., Rakhmetulayeva, S. B., Astaubayeva, G. N. (2021). Development of Business Process Design Methods. Journal of Theoretical and Applied Information Technology, 99 (10), 2344–2358. Available at: https://www.jatit.org/volumes/Vol99No10/14Vol99No10.pdf
  30. Mohammed, H. N., Malami, N. S., Thomas, S., Aiyelabegan, F. A., Imam, F. A., Ginsau, H. H. (2022). Machine Learning Approach to Anti-Money Laundering: A Review. 2022 IEEE Nigeria 4th International Conference on Disruptive Technologies for Sustainable Development (NIGERCON), 1–5. https://doi.org/10.1109/nigercon54645.2022.9803072
  31. Soltani, R., Nguyen, U. T., Yang, Y., Faghani, M., Yagoub, A., An, A. (2016). A new algorithm for money laundering detection based on structural similarity. 2016 IEEE 7th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 1–7. https://doi.org/10.1109/uemcon.2016.7777919
  32. Martínez-Sánchez, J. F., Cruz-García, S., Venegas-Martínez, F. (2020). Money laundering control in Mexico. Journal of Money Laundering Control, 23 (2), 427–439. https://doi.org/10.1108/jmlc-10-2019-0083
  33. Altman, E. (2019). IBM Transactions for Anti Money Laundering (AML). Available at: https://www.kaggle.com/datasets/ealtman2019/ibm-transactions-for-anti-money-laundering-aml
  34. Labanca, D., Primerano, L., Markland-Montgomery, M., Polino, M., Carminati, M., Zanero, S. (2022). Amaretto: An Active Learning Framework for Money Laundering Detection. IEEE Access, 10, 41720–41739. https://doi.org/10.1109/access.2022.3167699
  35. Rocha-Salazar, J.-J., Segovia-Vargas, M.-J., Camacho-Miñano, M.-M. (2021). Money laundering and terrorism financing detection using neural networks and an abnormality indicator. Expert Systems with Applications, 169, 114470. https://doi.org/10.1016/j.eswa.2020.114470
  36. Gaviyau, W., Sibindi, A. B. (2023). Global Anti-Money Laundering and Combating Terrorism Financing Regulatory Framework: A Critique. Journal of Risk and Financial Management, 16 (7), 313. https://doi.org/10.3390/jrfm16070313
  37. Alkhalili, M., Qutqut, M. H., Almasalha, F. (2021). Investigation of Applying Machine Learning for Watch-List Filtering in Anti-Money Laundering. IEEE Access, 9, 18481–18496. https://doi.org/10.1109/access.2021.3052313
  38. Duisebekova, K. S., Kozhamzharova, D. K., Rakhmetulayeva, S. B., Umarov, F. A., Aitimov, M. Zh. (2020). Development of an information-analytical system for the analysis and monitoring of climatic and ecological changes in the environment. Procedia Computer Science, 170, 578–583. https://doi.org/10.1016/j.procs.2020.03.128
  39. Yang, G., Liu, X., Li, B. (2023). Anti-money laundering supervision by intelligent algorithm. Computers & Security, 132, 103344. https://doi.org/10.1016/j.cose.2023.103344
  40. Lokanan, M. E. (2023). Predicting money laundering sanctions using machine learning algorithms and artificial neural networks. Applied Economics Letters, 31 (12), 1112–1118. https://doi.org/10.1080/13504851.2023.2176435
  41. Rakhmetulayeva, S., Kulbayeva, A. (2022). Building Disease Prediction Model Using Machine Learning Algorithms on Electronic Health Records’ Logs. Proceedings of the 7th International Conference on Digital Technologies in Education, Science and Industry (DTESI 2022). Available at: https://ceur-ws.org/Vol-3382/Paper19.pdf
  42. Zhang, Y., Trubey, P. (2018). Machine Learning and Sampling Scheme: An Empirical Study of Money Laundering Detection. Computational Economics, 54 (3), 1043–1063. https://doi.org/10.1007/s10614-018-9864-z
  43. Chen, Z., Soliman, W. M., Nazir, A., Shorfuzzaman, M. (2021). Variational Autoencoders and Wasserstein Generative Adversarial Networks for Improving the Anti-Money Laundering Process. IEEE Access, 9, 83762–83785. https://doi.org/10.1109/access.2021.3086359
  44. Domashova, J., Mikhailina, N. (2021). Usage of machine learning methods for early detection of money laundering schemes. Procedia Computer Science, 190, 184–192. https://doi.org/10.1016/j.procs.2021.06.033
  45. Konyrbaev, N., Nikitenko, Y., Shtanko, V., Lakhno, V., Baishemirov, Z., Ibadulla, S. et al. (2024). Evaluation and optimization of the naive bayes algorithm for intrusion detection systems using the USB-IDS-1 dataset. Eastern-European Journal of Enterprise Technologies, 6 (2 (132)), 74–82. https://doi.org/10.15587/1729-4061.2024.317471
  46. Aloev, R., Berdyshev, A., Akbarova, A., Baishemirov, Z. (2021). Development of an algorithm for calculating stable solutions of the Saint-Venant equation using an upwind implicit difference scheme. Eastern-European Journal of Enterprise Technologies, 4 (4 (112)), 47–56. https://doi.org/10.15587/1729-4061.2021.239148
  47. Urmashev, B., Buribayev, Z., Amirgaliyeva, Z., Ataniyazova, A., Zhassuzak, M., Turegali, A. (2021). Development of a weed detection system using machine learning and neural network algorithms. Eastern-European Journal of Enterprise Technologies, 6 (2 (114)). https://doi.org/10.15587/1729-4061.2021.246706
  48. Bolshibayeva, A., Rakhmetulayeva, S., Ukibassov, B., Zhanabekov, Z. (2024). Advancing real-time echocardiographic diagnosis with a hybrid deep learning model. Eastern-European Journal of Enterprise Technologies, 6 (9 (132)), 60–70. https://doi.org/10.15587/1729-4061.2024.314845
  49. Kulbayeva, A. K., Rakhmetulayeva, S. B., Bolshibayeva, A. K., Yasar, A.-U.-H. (2024). Data Processing Methods for Financing Terrorism: The Role of Microsoft Power BI in Money Laundering Detection. Procedia Computer Science, 238, 528–535. https://doi.org/10.1016/j.procs.2024.06.056
Визначення особливостей типології на основі графів для моделей машинного навчання у виявленні фінансового шахрайства

##submission.downloads##

Опубліковано

2025-06-25

Як цитувати

Rakhmetulayeva, S., Kulbayeva, A., Bolshibayeva, A., & Serbin, V. (2025). Визначення особливостей типології на основі графів для моделей машинного навчання у виявленні фінансового шахрайства. Eastern-European Journal of Enterprise Technologies, 3(9 (135), 40–54. https://doi.org/10.15587/1729-4061.2025.327410

Номер

Том 3 № 9 (135) (2025): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2025 Sabina Rakhmetulayeva, Aliya Kulbayeva, Aigerim Bolshibayeva, Vassiliy Serbin

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.