مروري بر روش‌هاي تشخيص ناهنجاري گرافي در داده‌هاي مالي

در علوم كامپيوتر، تحقيقات در مورد تشخيص ناهنجاري به دهه 1980 برمي‌گردد و شناسايي ناهنجاري‌ها در داده‌هاي گرافي از ابتدا يك پارادايم داده كاوي مهم بوده است. به طور معمول بين نمونه‌ها و ويژگي‌ها وابستگي هايي وجود دارد كه گراف‌ها مي‌توانند براي درنظر گرفتن اين وابستگي‌ها يك ابزار قدرت‌مند محسوب شوند. گراف‌ها براي نشان دادن اطلاعات ساختاري/رابطه‌اي استفاده مي‌شوند كه مي‌توان از آن‌ها براي تشخيص ناهنجاري به صورت كارايي بهره گرفت. گره‌هاي غيرعادي معمولاً به عنوان گره‌هاي منفردي شناخته مي‌شوند كه به طور قابل توجهي با سايرين تفاوت دارند. تشخيص ناهنجاري معمولاً با شناسايي داده‌هاي دورافتاده در فضاي ويژگي حل مي‌شود، كه به طور ذاتي، اطلاعات رابطه‌اي در داده‌هاي دنياي واقعي را ناديده مي‌گيرد. تكنيك‌هاي تشخيص ناهنجاري سنتي به طور عمده بر روي ويژگي‌هاي عددي يا ماتريسي داده‌ها كار مي‌كنند. اين روش‌ها در صورتي كه تعداد ويژگي‌ها كم باشد و داده‌ها از ساختار گرافي برخوردار نباشند، به خوبي عمل مي‌كنند. اما وقتي مسئله به تشخيص ناهنجاري در گراف مي‌رسد، به دليل پيچيدگي داده‌هاي گراف، نمي‌توانند به خوبي عمل كنند. با ظهور يادگيري عميق، اين محدوديت‌ها شكسته شده و تشخيص ناهنجاري گراف با استفاده از روش‌هاي يادگيري عميق اخيراً توجه فزاينده‌اي را به خود جلب كرده است. در اين مقاله، سعي بر اين است كه يك بررسي سيستماتيك و جامع از تكنيك‌هاي يادگيري عميق اخير براي تشخيص ناهنجاري گراف ارائه گردد.