تشخیص تقلب در داده های مالی با شبکه های عصبی بازگشتی RNN یا LSTM

افزایش چشم گیر تراکنش های مالی دیجیتال در سال های اخیر، موجب رشد بی سابقه الگوهای پیچیده تقلب در سامانه های مالی شده است. این الگوها، به دلیل ماهیت پنهان، پویا و غیرخطی خود، اغلب از دید روش های سنتی شناسایی تقلب پنهان می مانند. در چنین بستری، بهره گیری از روش های پیشرفته یادگیری عمیق به ویژه شبکه های عصبی بازگشتی (Recurrent Neural Networks - RNN) و به طور خاص مدل حافظه بلندمدت (Long Short-Term Memory - LSTM)، به عنوان رویکردهایی کارآمد در شناسایی الگوهای زمانی ناهنجار، مورد توجه قرار گرفته اند. مدل های LSTM با معماری حافظه محور خود، توانایی نگهداری وابستگی های بلندمدت در داده های سری زمانی را دارند و در تشخیص رفتارهای غیرعادی مالی که در طول زمان شکل می گیرند، عملکرد بسیار مناسبی ارائه می دهند. این مدل ها قادرند الگوهای رفتاری کاربران را فراگرفته و هرگونه انحراف از روندهای عادی را به عنوان نشانه ای از احتمال وقوع تقلب شناسایی کنند. یافته های حاصل از مطالعات تجربی متعدد، نشان می دهد که مدل های مبتنی بر LSTM در مقایسه با روش های سنتی نظیر Logistic Regression و Random Forest، دقت بالاتری در شناسایی تقلب، کاهش نرخ هشدار کاذب و بهبود توان پیش بینی دارند.

کلیدواژه ها:

تشخیص تقلب ، شبکه عصبی بازگشتی (RNN) ، حافظه بلندمدت (LSTM) ، تقلب در عصر دیجیتال ، یادگیری عمیق