پژوهش
ویژگی‌های مسیرمحور در گراف‌های HR/ERP از مدل GNN در شناسایی تقلب حقوق‌ودستمزد بهتر عمل کردند
در آزمایشی روی سازمان‌های دیده‌نشده و داده‌های مصنوعی، مدل گرادیان‌بوست‌شده با ویژگی‌های حاصل از پیوندهای زنجیره‌ای به میانگین دقت ۰٫۸۲۳ رسید؛ دقت آن در مسیرهای چهارگامی نیز از مدل GNN بیشتر بود.
پژوهشی تازه در arXiv، شناسایی پیوندهای پنهان میان کارکنان و دریافت‌کنندگان پرداخت را به‌صورت پیش‌بینی پیوند و رتبه‌بندی موجودیت‌ها بررسی کرده است. آزمایش‌ها روی گراف‌های مصنوعی منابع انسانی و برنامه‌ریزی منابع سازمانی (HR/ERP) انجام شده و برای هر نمونهٔ تقلبِ کاشته‌شده، یک نمونهٔ سالمِ همتاسازی‌شده نیز در نظر گرفته شده است. ارزیابی، سازمان‌هایی را شامل می‌شد که مدل‌ها پیش‌تر ندیده بودند.
در مقایسه‌ای میان قواعد تحلیلی، ویژگی‌های صریح مسیر و شبکه‌های عصبی گرافی (GNN)، مدل گرادیان‌بوست‌شده‌ای که با ویژگی‌های مبتنی بر پیوندهای زنجیره‌ای تنظیم شده بود، بالاترین میانگین دقت پیوند را ثبت کرد: ۰٫۸۲۳، در برابر ۰٫۶۶۳ برای GNN به سبک GraIL. در مسیرهای چهارگامی، این شاخص برای مدل ویژگی‌محور ۰٫۶۴۶ و برای GNN برابر ۰٫۲۷۲ بود.
چکیده از یک مطالعهٔ اولیه روی ۲۴ سازمانِ کنارگذاشته‌شده و یک گسترشِ منجمدشده به‌صورت پیش‌نگر نام می‌برد، اما جزئیات بیشتری دربارهٔ نتایج آن گسترش در متن ارائه‌شده وجود ندارد. یافته‌ها به داده‌های مصنوعی محدودند و به‌تنهایی عملکرد این روش‌ها را در سازمان‌های واقعی نشان نمی‌دهند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده