INNOVATIVE NEURAL NETWORK STRATEGIES FOR DETECTING CHEATING IN VIRTUAL EXAMS
Ключевые слова:
Графовые нейронные сети (GNN), федеративное обучение (FL), обнаружение группового мошенничества, защита конфиденциальности в ИИ, прокторинг виртуальных экзаменов, генерация синтетических данных, этичный ИИ в образованииАннотация
Рост числа виртуальных экзаменов создал новые вызовы в обеспечении академической честности, особенно в выявлении совместного мошенничества. В данном исследовании мы предлагаем новую концепцию, которая сочетает графовые нейронные сети (GNN) с федеративным обучением (FL) для выявления группового мошенничества при сохранении конфиденциальности данных студентов. Наш подход моделирует взаимодействие студентов в виде графа, где узлы представляют студентов, а рёбра — потенциальные связи, указывающие на возможное мошенничество. Обучая GNN в федеративном режиме, мы гарантируем, что конфиденциальные данные остаются на устройствах студентов, что позволяет учитывать этические и правовые аспекты.
Библиографические ссылки
References
Dou, Y., Liu, Z., Sun, L., Deng, Y., Peng, H., & Yu, P. S. (2020). Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters. arXiv preprint arXiv:2008.08692. Retrieved from https://arxiv.org/abs/2008.08692
Kim, H., Choi, J., & Whang, J. J. (2023). Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection. arXiv preprint arXiv:2310.04171. Retrieved from https://arxiv.org/abs/2310.04171
Kanagavelu, R., Li, Z., Samsudin, J., Yang, Y., Yang, F., Goh, R. S. M., Cheah, M., Wiwatphonthana, P., Akkarajitsakul, K., & Wang, S. (2020). Two-Phase Multi-Party Computation Enabled Privacy-Preserving Federated Learning. arXiv preprint arXiv:2005.11901. Retrieved from https://arxiv.org/abs/2005.11901
Stojkovic, B., Woodbridge, J., Fang, Z., Cai, J., Petrov, A., Iyer, S., Huang, D., Yau, P., Kumar, A. S., & Jawa, H. (2022). Applied Federated Learning: Architectural Design for Robust and Efficient Learning in Privacy Aware Settings. arXiv preprint arXiv:2206.00807. Retrieved from https://arxiv.org/abs/2206.00807
NVIDIA Developer. (n.d.). Supercharging Fraud Detection in Financial Services with Graph Neural Networks. Retrieved from https://developer.nvidia.com/blog/supercharging-fraud-detection-in-financial-services-with-graph-neural-networks/
Idrees, H. (2023, June 15). Federated Learning: Privacy-Preserving Machine Learning. Medium. Retrieved from https://medium.com/@hassaanidrees7/federated-learning-privacy-preserving-machine-learning-8d2fadfdd6e5
National Institute of Standards and Technology (NIST). (2023, April 10). The UK-US Blog Series on Privacy-Preserving Federated Learning: Introduction. Retrieved from https://www.nist.gov/blogs/cybersecurity-insights/uk-us-blog-series-privacy-preserving-federated-learning-introduction
Amazon Web Services (AWS). (2022, May 5). Detect financial transaction fraud using a Graph Neural Network with Amazon SageMaker. Retrieved from https://aws.amazon.com/blogs/machine-learning/detect-financial-transaction-fraud-using-a-graph-neural-network-with-amazon-sagemaker/
Heintz, M. (2024, November 21). Graph Neural Networks: Fraud Detection and Protein Function Prediction. Towards Data Science. Retrieved from https://towardsdatascience.com/graph-neural-networks-fraud-detection-and-protein-function-prediction-08f9531c98de/
Wikipedia contributors. (2025, January 15). Federated learning. Wikipedia, The Free Encyclopedia. Retrieved from https://en.wikipedia.org/wiki/Federated_learning
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Jasurbek Abdullayev, Otabek Ergashev
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
