KMAN Publication Inc. تکنولوژی در کارآفرینی و مدیریت استراتژیک 3041-8585 5 پاییز 1405 1405 07 01 A Cloud-Centric Data Governance Model Based on Deep Interactive Hybrid Federated Learning for Anomaly Detection in the Financial Sector مدل حکمرانی داده ابرمحور مبتنی بر یادگیری فدرال ترکیبی تعاملی عمیق برای شناسایی آنومالی‌ها در بخش‌های مالی 1 37 10.61838/kman.jtesm.460 FA معصومه مجتبائی دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد بین المللی کیش، دانشگاه آزاد اسلامی،کیش،ایران. سیدجواد ایرانبان فرد گروه مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران. سارا نجف زاده گروه کامپیوتر،واحد یادگار امام(ره) شهرری، دانشگاه آزاد اسلامی،تهران، ایران. مصطفی کلاهدوزی گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران. Journal Article 1405/01/19 <p>The purpose of this study was to develop a cloud-centric data governance model based on deep interactive hybrid federated learning to improve the accuracy of financial anomaly detection while preserving data privacy and enhancing scalability in distributed financial environments. This study proposed an intelligent framework integrating cloud computing, federated learning, feature selection, and deep learning. Financial features were distributed between two federated nodes, where the first node employed a filter-based feature selection strategy and the second utilized a wrapper-based approach. In both federated environments, a Chaotic Harmony Search Algorithm (CHSA) was used to optimize feature selection. The selected features were subsequently aggregated on a central server and evaluated through a deep learning core based on a Convolutional Neural Network (CNN). The proposed framework was implemented and tested using the PaySim financial transaction dataset, and its performance was compared with several conventional, ensemble, and state-of-the-art classification methods. The results demonstrated the consistent superiority of the proposed framework across all experimental scenarios. The CNN classifier achieved the highest accuracy of 98.49%, outperforming KNN (92.69%), DT (95.23%), RF (95.28%), Bagging (95.28%), and XGBoost (94.93%). Furthermore, the proposed approach surpassed previously reported methods, including ENN (97%), Stacked-RF (96%), 1D-CNN (90%), ResNet-GRU (89.6%), Stacked Autoencoder (85.2%), ADASYNN (79%), and SMOTEENN (73%). These findings confirm the effectiveness of combining interactive federated learning, multi-stage feature selection, chaotic optimization, and deep learning for financial anomaly detection. The findings indicate that integrating cloud-centric data governance, federated learning, chaotic harmony search optimization, and deep learning significantly enhances financial anomaly detection performance while maintaining privacy and security requirements. The proposed framework offers a scalable, privacy-preserving, and highly accurate solution for modern financial systems and fraud detection applications.</p> <p>هدف این پژوهش ارائه یک مدل حکمرانی داده ابرمحور مبتنی بر یادگیری فدرال ترکیبی تعاملی عمیق به‌منظور بهبود دقت شناسایی آنومالی‌های مالی، حفظ حریم خصوصی داده‌ها و افزایش مقیاس‌پذیری در محیط‌های توزیع‌شده مالی بود. این پژوهش یک چارچوب هوشمند مبتنی بر رایانش ابری، یادگیری فدرال و یادگیری عمیق ارائه کرد. در مدل پیشنهادی، ویژگی‌های داده‌های مالی در دو فدرال مستقل توزیع شدند؛ فدرال نخست از انتخاب ویژگی مبتنی بر فیلتر و فدرال دوم از انتخاب ویژگی مبتنی بر Wrapper استفاده کرد. در هر دو فدرال، الگوریتم جستجوی هارمونی مبتنی بر آشوب (CHSA) برای بهینه‌سازی انتخاب ویژگی به کار گرفته شد. سپس ویژگی‌های منتخب در سرور مرکزی ادغام و با استفاده از یک هسته یادگیری عمیق مبتنی بر CNN ارزیابی شدند. ارزیابی مدل بر روی مجموعه داده PaySim انجام شد و عملکرد آن با چندین روش طبقه‌بندی پایه، تجمیعی و مطالعات پیشین مقایسه گردید. نتایج نشان داد که مدل پیشنهادی در تمامی سناریوهای آزمایشی عملکرد پایداری ارائه کرده است. شبکه عصبی کانولوشنی (CNN) با دستیابی به دقت 98.49 درصد، بهترین عملکرد را در میان روش‌های مورد بررسی به دست آورد. این میزان دقت در مقایسه با KNN (92.69٪)، DT (95.23٪)، RF (95.28٪)، Bagging (95.28٪) و XGBoost (94.93٪) برتری قابل توجهی نشان داد. همچنین مدل پیشنهادی نسبت به روش‌های پیشین نظیر ENN (97٪)، Stacked-RF (96٪)، 1D-CNN (90٪)، ResNet-GRU (89.6٪)، Stacked Autoencoder (85.2٪)، ADASYNN (79٪) و SMOTEENN (73٪) عملکرد بهتری ارائه کرد که بیانگر اثربخشی یادگیری فدرال تعاملی، انتخاب ویژگی چندمرحله‌ای و یادگیری عمیق در شناسایی ناهنجاری‌های مالی است. یافته‌ها نشان داد که ادغام حکمرانی داده ابرمحور، یادگیری فدرال، الگوریتم جستجوی هارمونی مبتنی بر آشوب و یادگیری عمیق می‌تواند ضمن حفظ محرمانگی داده‌ها، دقت شناسایی آنومالی‌های مالی را به‌طور معناداری افزایش دهد. چارچوب پیشنهادی از نظر مقیاس‌پذیری، امنیت و کارایی، گزینه‌ای مناسب برای استقرار در سامانه‌های مالی مدرن محسوب می‌شود.</p> https://journaltesm.com/index.php/journaltesm/article/download/460/471