Scalable unsupervised labeling with SHAP feature selection for fraud detection in imbalanced data

تتناول هذه الدراسة مشكلة متنامية في التعلم الآلي تتمثل في الحاجة المتزايدة إلى البيانات الموسومة، في وقت يعد فيه الوسم اليدوي مكلفًا ومعرضًا للخطأ ومتعذرًا في كثير من الأحيان، ولا سيما في المجالات الحساسة للخصوصية وشديدة اللا توازن ككشف الاحتيال، وتقترح الدراسة إطارًا غير خاضع للإشراف بالكامل يجمع بين اختيار الخصائص باستخدام تفسيرات شابلي الإضافية غير الخاضعة للإشراف، وأسلوب وسم جديد مبتكر لا يحتاج إلى وسم بشري مسبق، وتختبر الدراسة إطارها على مجموعتي بيانات لكشف الاحتيال، بما يثبت قدرته على تحسين جودة الوسوم مع خفض التعقيد الحسابي والحفاظ على الخصوصية، وبما يقدم حلًا عمليًا للتعلم من بيانات غير موسومة وشديدة اللا توازن

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى بناء إطار عملي يولد وسومًا موثوقة للبيانات غير الموسومة دون تدخل بشري، ويحسن في الوقت ذاته اختيار الخصائص المؤثرة، وطبقت الدراسة أسلوب شابلي التفسيري غير الخاضع للإشراف على مجموعتي بيانات كاغل لكشف الاحتيال في بطاقات الائتمان وبيانات الرعاية الطبية في جزئها الرابع، لاستخراج مجموعات فرعية من الخصائص عالية الأثر، ثم وسمت المجموعتين بأسلوب الوسم غير الخاضع للإشراف المقترح، ولتقييم الوسوم المولدة بفاعلية طبقت الدراسة متعلمًا مرجعيًا غير خاضع للإشراف هو غابة العزل على مجموعتي البيانات الأصليتين وعلى مجموعتيهما الفرعيتين المختارة الخصائص، وحسبت معامل ارتباط ماثيوز ومؤشر جاكارد والدقة والاستدعاء ودرجة إف واحد بمقارنة الوسوم المولدة بالوسوم الحقيقية، مع التأكيد على أن الوسوم الحقيقية استخدمت لغرض التقييم فقط لا في بناء الإطار أو تدريبه

ثانيًا: أبرز النتائج

أظهرت النتائج التجريبية أن الإطار المقترح يتفوق على النتائج المحققة باستخدام مجموعة الخصائص الكاملة والمتعلم المرجعي، إذ حسّن جودة الوسوم المولدة في مجموعتي البيانات شديدتي اللا توازن، على الرغم من الاستغناء عن الوسم اليدوي بالكامل، وبيّنت المقارنات عبر مؤشرات ماثيوز وجاكارد والدقة والاستدعاء ودرجة إف واحد أن اختيار الخصائص بتفسيرات شابلي يركز التعلم في الخصائص الأعلى أثرًا، فينعكس ذلك اكتشافًا أدق لحالات الاحتيال النادرة وسط الكم الهائل من العمليات المشروعة، كما أن العمل على مجموعات خصائص فرعية مختصرة يخفض التعقيد الحسابي مقارنة بالبيانات الكاملة، ويحافظ تصميم الإطار غير الخاضع للإشراف على الخصوصية إذ لا يتطلب كشف بيانات موسومة حساسة أو تداولها خارج بيئتها الأصلية

ثالثًا: دلالات الدراسة وتطبيقاتها

تقدم الدراسة لفرق علوم البيانات في المؤسسات المالية والصحية مسارًا عمليًا لبدء بناء نماذج كشف احتيال قبل توفر بيانات موسومة مكلفة، إذ يمكن استخدام الوسوم المولدة في تدريب نماذج لاحقة أو في ترتيب الحالات بحسب الأولوية للمراجعة البشرية، وتفيد الباحثين منهجيًا بإثبات أن تفسيرات شابلي يمكن توظيفها أداة لاختيار الخصائص في غياب الإشراف، وأن الوسم الذاتي المنضبط قد يفوق مدخلات البيانات الكاملة غير المنقاة، وتفتح النتائج المجال لتوسيع الإطار إلى مجالات أخرى تعاني اللا توازن وندرة الوسوم ككشف الاختراقات والحالات النادرة، مع دراسات أوسع لقابلية التعميم عبر مصادر بيانات مختلفة وبيئات تشغيل متباينة

وتبرز قيمة هذا الإطار بصورة خاصة في القطاعات التي تخضع فيها البيانات لقيود صارمة على التداول والمشاركة، كمكافحة الاحتيال المالي والصحي، حيث تعرقل متطلبات السرية والخصوصية الطرق التقليدية المعتمدة على مشاركة بيانات موسومة بين المؤسسات، فحين يستطيع الإطار توليد وسوم جيدة محليًا وبخصائص مختصرة، يصبح بناء نماذج إنذار مبكر ممكنًا دون انتظار مشروعات وسم طويلة ومكلفة، كما أن اختصار الخصائص ييسر تفسير قرارات النماذج ومراجعتها بشريًا، وهي ميزة مهمة في مجالات خاضعة لرقابة تنظيمية مشددة، ويظل التوسع في اختبار الإطار على بيانات حقيقية متنوعة المصادر، ومقارنته بأساليب وسم ذاتي أخرى، خطوة ضرورية لترسيخ الثقة في تعميم نتائجه على نطاق أوسع، وتشير النتائج في مجملها إلى أن جودة المدخلات وانتقاءها الدقيق قد يتفوقان على مجرد وفرة البيانات الخام غير المنقاة

كما أن اعتماد الإطار على أساليب غير خاضعة للإشراف بالكامل يجعله قابلًا للنقل إلى مؤسسات تبدأ من نقطة الصفر في بناء قدراتها التحليلية دون أعباء وسم أولية تذكر

وخلاصة القول إن الجمع بين اختيار الخصائص بتفسيرات شابلي والوسم غير الخاضع للإشراف يقدم حلًا عمليًا لمفارقة البيانات الموسومة، إذ يحقق وسومًا أفضل بخصائص أقل ودون وسم يدوي، وهو ما يعزز إمكانات التعلم من البيانات شديدة اللا توازن في المجالات الحساسة