Zespół badaczy zaproponował FraudShield AI, hybrydowy framework łączący sieci neuronowe LSTM z ręcznie opracowanymi cechami topologiii grafów do wykrywania oszustw finansowych. Problem, który rozwiązują, jest poważny - instytucje finansowe borykają się z wykrywaniem zaawansowanych schematów prania pieniędzy, takich jak smurfing (seria małych transakcji poniżej progu raportowania) i layering (mieszanie legalnych i nielegalnych środków). Dodatkowo dane są skrajnie niezbalansowane z zaledwie 0,13% transakcji stanowiącymi oszustwa.
Inowacyjność podejścia polega na zmianie perspektywy - zamiast analizować izolowane transakcje, system patrzy na strukturę całej sieci relacji finansowych. Model wykorzystuje cechy takie jak PageRank Centrality, dynamikę in-stopnia węzłów oraz specjalnie zaprojektowany Flow Ratio. Sieć LSTM wychwytuje sekwencje czasowe transakcji, podczas gdy komponenta grafowa analizuje, jak podmioty ze sobą wchodzą w interakcje. Do radzenia sobie z nierównowagą klas zastosowano Focal Loss, a dodatkowy mechanizm dynamicznego progu poprawia odporność na ataki drobnych transakcji.
Wyniki na zbiorze PaySim są obiecujące - hybrydowy model znacznie przewyższa linie bazowe w postaci regresji logistycznej i XGBoost, szczególnie w wykrywaniu trudnych do zaobserwowania wzorców oszustw mikrotransakcji. Analiza ablacyjna potwierdziła, że zarówno komponenta czasowa jak i topologiczna wnoszą istotny wkład w wydajność systemu. Takie podejście może zmienić sposób, w jaki instytucje finansowe walczą z ewoluującymi technikami przestępczości finansowej.