<span lang="AR-SA">کشف تقلب در کارت های اعتباری با استخراج ویژگی از شبکه عصبی و طبقه بندی تقویت گرادیان سبک وزن

با افزایش استفاده از کارت های اعتباری، تشخیص خودکار تراکنش های متقلبانه اهمیت بیشتری یافته است. در این پژوهش، دو مدل ترکیبی مبتنی بر شبکه عصبی پیچشی و پرسپترون چندلایه برای استخراج ویژگی به کار گرفته شد و ویژگی های استخراج شده به الگوریتم تقویت گرادیان سبک وزن منتقل گردید. برای انتخاب بهترین لایه، پنج معیار کمی شامل شاخص های کالینسکی- هاراباز، دیویس- بولدین، اطلاعات متقابل، میزان افزونگی و ابعاد لایه برای همه لایه ها محاسبه و لایه بهینه براساس میانگین نرمال شده معیارها تعیین شد. نتایج نشان داد مدل های ترکیبی عملکرد بهتری نسبت به مدل منفرد دارند و مدل مبتنی بر شبکه پیچشی بیشترین کارایی را ارائه کرده است. این مدل موجب افزایش امتیازF۱، کاهش قابل توجه خطای مثبت کاذب و افزایش اندک خطای منفی کاذب شد؛ اما این افزایش در برابر کاهش محسوس خطای مثبت کاذب قابل پذیرش بوده و تعادل میان دقت و بازیابی را حفظ می کند. آزمون ویلکاکسون تفاوت عملکرد را از نظر آماری معنادار نشان نداد، با این حال بهبود معیارهای عملکردی اهمیت استفاده از مدل ترکیبی مبتنی بر شبکه هم آمیختی را در سناریوهای واقعی تشخیص تقلب برجسته می سازد. تحلیل SHAP نیز نشان داد ویژگی دوم استخراج شده از شبکه هم آمیختی بیشترین نقش را داشته و تحت تاثیر متغیر «مقدار تراکنش» شکل گرفته است.

کلیدواژه ها:

کشف تقلب ، مدل های ترکیبی ، استخراج ویژگی ، شبکه عصبی ، تقویت گرادیان سبک وزن