تشخیص تقلب در تراکنش های مالی آنلاین با استفاده از شبکه عصبی مصنوعی (ANN) در محیط MATLAB

در دنیای دیجیتال امروز، تقلب در تراکنش های مالی آنلاین به عنوان یکی از جدی ترین تهدیدها برای امنیت سیستم های بانکی مطرح است که منجر به خسارات اقتصادی هنگفت و کاهش اعتماد عمومی می شود. این مطالعه با هدف بهبود دقت تشخیص تقلب در شرایط عدم تعادل داده ها، از شبکه های عصبی مصنوعی برای تحلیل تراکنش های بانکی استفاده می کند. داده های مورد بررسی شامل ۲۸۴,۸۰۷ تراکنش واقعی از مجموعه داده تشخیص تقلب کارت اعتباری، با ۳۰ ویژگی (از جمله ویژگی های مبتنی بر PCA، زمان و مبلغ و برچسب کلاس (۰ برای عادی و ۱ برای تقلبی) است که تنها ۰.۱۷% تراکنش ها تقلبی هستند. روش پژوهش بر پایه ابزار تشخیص الگوی شبکه عصبی در محیط MATLAB استوار است، جایی که داده ها به ۷۰% آموزش، ۱۵% اعتبارسنجی و ۱۵% تست تقسیم شدند و شش مدل شبکه عصبی پیش خور با الگوریتم گرادیان مزدوج مقیاس پذیر و ۱۰ نورون در لایه پنهان آموزش داده شدند. یافته ها از طریق تحلیل نمودار عملکرد، ماتریس سردرگمی و منحنی ROC ارزیابی شدند و نشان دادند که مدل پنجم با دقت کلی ۹۹.۹۴%، دقت ۷۹.۵% و حساسیت ۸۷.۱% بهترین عملکرد را دارد، با تعادل مناسب بین یادگیری و تعمیم پذیری. این مدل توانسته از میان تراکنش های تقلبی، ۸۷.۱% را به درستی شناسایی کند و تنها ۵۸ مورد را از دست دهد، در حالی که نرخ مثبت کاذب پایین است. نتایج حاکی از کارایی این رویکرد در کشف خودکار تقلب است و می تواند پایه ای برای توسعه سیستم های ضدتقلب هوشمند در صنعت مالی فراهم کند، با کاهش هزینه های عملیاتی و تقویت امنیت سایبری.

کلیدواژه ها:

تشخیص تقلب ، تراکنش های مالی ، شبکه عصبی مصنوعی ، شناسایی تقلب در کارت اعتباری ، هوش مصنوعی