توسعه مدل های یادگیری عمیق برای شناسایی الگوهای تقلب در داده های مالی

این مطالعه به بررسی کاربرد مدل های یادگیری عمیق در تشخیص تقلب مالی می پردازد و عملکرد شبکه هایرمزگذارهای خودکار، مدل های ،(LSTM) شبکه های حافظه کوتاه مدت بلند ، (CNN) عصبی کانولوشنالترکیبی و روش های گروهی را مقایسه می کند .تحقیق نشان می دهد که تکنیک های یادگیری عمیق به طور قابلتوجهی از روش های سنتی بهتر عمل می کنند و به دقت، صحت و انطباق پذیری بالاتری دست می یابند .مدل هایبه ویژه، عملکرد استثنایی را نشان می دهند و نرخ دقت آنها بیش از ۹۹ ٪ است. ،LSTM گروهی و شبکه هایاین مطالعه همچنین با استفاده از تکنیک هایی مانند تکنیک نمونه برداری بیش از حد اقلیت مصنوعیچالش عدم تعادل داده ها را برطرف می کند و تشخیص دقیق فعالیت های کلاهبرداری نادر را ،(SMOTE)تضمین می کند .سازگاری مدل های یادگیری عمیق با الگوهای در حال تغییر تقلب به عنوان یک مزیت کلیدیبرجسته شده است و بهبود مستمر و قابلیت های تشخیص تقلب قوی را ارائه می دهد .پیامدهای عملی شاملکاهش هزینه های عملیاتی، بهبود اعتماد مشتری و افزایش انطباق با مقررات برای موسسات مالی است .اینتحقیق بر پتانسیل مدل های یادگیری عمیق برای متحول کردن تشخیص تقلب مالی تاکید می کند و ابزارهایپیچیده و قابل اعتمادی را برای مبارزه با استراتژی های در حال تغییر تقلب ارائه می دهد

کلیدواژه ها:

تشخیص تقلب مالی ، یادگیری عمیق ، شبکه های عصبی کانولوشنال ، شبکه های حافظه کوتاه مدتبلند ، مدل های گروهی.