تشخیص تقلب مالی مبتنی بر یادگیری ماشین

تشخیص تقلب مالی یکی از مهم ترین چالش های سامانه های پرداخت الکترونیکی و بانکداری دیجیتال است. افزایش حجم تراکنش های مالی و پیچیدگی الگوهای تقلب، استفاده از روش های هوشمند مبتنی بر یادگیری ماشین را به یک ضرورت تبدیل کرده است. یکی از مهم ترین مشکلات در این حوزه، نامتوازن بودن شدید داده ها است؛ به گونه ای که تعداد تراکنش های متقلبانه در مقایسه با تراکنش های سالم بسیار اندک است و این موضوع می تواند عملکرد مدل های طبقه بندی را تحت تاثیر قرار دهد. در این پژوهش، یک چارچوب چهارمرحله ای مبتنی بر یادگیری ماشین برای تشخیص تقلب مالی ارائه شده است. چارچوب پیشنهادی شامل مراحل پیش پردازش داده، متعادل سازی کلاس ها با استفاده از روش تکنیک بیش نمونه گیری اقلیت مصنوعی ، کاهش بعد ویژگی ها با استفاده از تحلیل مولفه های اصلی ، و طبقه بندی مبتنی بر یادگیری جمعی است. در بخش طبقه بندی، از ترکیب دو مدل جنگل تصادفی و تقویت گرادیان شدید در قالب معماری ترکیبی جمعی استفاده شده و یک مدل رگرسیون لجستیک به عنوان متا-طبقه بند به کار گرفته شده است. همچنین به منظور کاهش اثر خطاهای پرهزینه در تشخیص تقلب، از تصمیم گیری هزینه محور و تنظیم تطبیقی آستانه تصمیم استفاده شده است. علاوه بر این، برای پایش تغییرات آماری داده ها در طول زمان، سازوکار پایش تغییر توزیع مبتنی بر آزمون KS در چارچوب مدل لحاظ شده است. ارزیابی مدل بر روی مجموعه داده تشخیص تقلب در کارت های اعتباری انجام شد. نتایج آزمایش ها نشان داد مدل پیشنهادی توانسته است عملکرد مناسبی در شناسایی تراکنش های متقلبانه ارائه دهد و به مقادیر بالایی در معیارهای صحت ، پوشش ، امتیاز F۱ و سطح زیر نمودار مشخصه عملکرد دست یابد. همچنین مقایسه با مدل های مرجع نشان داد استفاده از یادگیری جمعی و تصمیم گیری هزینه محور موجب بهبود عملکرد سیستم در داده های نامتوازن شده است. نتایج این پژوهش نشان می دهد چارچوب های ترکیبی مبتنی بر یادگیری ماشین می توانند رویکرد موثری برای توسعه سامانه های هوشمند تشخیص تقلب مالی باشند.

کلیدواژه ها:

تشخیص تقلب ، تقلب مالی ، تقلب در کارت های اعتباری ، یادگیری ماشین