ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی فاخته

الگوریتم بهینه سازی فاخته (CS)، که توسط یانگ و دب معرفی شد (Yang & Deb, 2009) یک روش فراابتکاری الهام گرفته از طبیعت است که با شبیه سازی رفتار تولیدمثل پرنده فاخته، برای حل مسائل بهینه سازی پیچیده طراحی شده است (Jaderyan, 2020). این الگوریتم به دلیل سادگی، سرعت همگرایی و توانایی جستجو در فضاهای پارامتری بزرگ، در بهینه سازی مدل های یادگیری ماشین کاربرد گسترده ای یافته است (Yang, 2014). این مقاله یک مدل ترکیبی ANN-CS را پیشنهاد می دهد که در آن الگوریتم فاخته برای بهینه سازی هایپرپارامترهای شبکه عصبی به کار گرفته می شود تا دقت و کارایی تشخیص تقلب در تراکنش های بانکی بهبود یابد.روش های سنتی تشخیص تقلب، مانند رگرسیون لجستیک، درخت تصمیم و ماشین بردار پشتیبان (SVM)، به دلیل محدودیت در مدل سازی داده های نامتوازن و الگوهای پیچیده تقلب، اغلب عملکرد محدودی دارند (Bolton & Hand, 2002). شبکه های عصبی چندلایه (MLP) به دلیل توانایی در یادگیری روابط غیرخطی، در سال های اخیر به عنوان جایگزینی موثر معرفی شده اند. به عنوان مثال، Ghosh و Reilly (1994) نشان دادند که شبکه های عصبی می توانند دقت تشخیص تقلب را در تراکنش های کارتی به طور قابل توجهی افزایش دهند. بااین حال، تنظیم دستی هایپرپارامترهای این شبکه ها زمان بر و نیازمند تجربه است (Bishop, 2006).

الگوریتم های فراابتکاری، مانند الگوریتم ژنتیک (GA) و بهینه سازی ازدحام ذرات (PSO)، برای بهینه سازی شبکه های عصبی مورد استفاده قرار گرفته اند (Mirjalili, 2014). الگوریتم فاخته نسبت به این روش ها به دلیل نیاز به پارامترهای تنظیمی کمتر و سرعت همگرایی بالاتر برتری دارد (Yang, 2014). مطالعات اخیر نشان داده اند که ترکیب CS با مدل های یادگیری ماشین، مانند شبکه های عصبی، می تواند در مسائل طبقه بندی و پیش بینی عملکرد بهتری ارائه دهد(Shopmatlab, 2020). به عنوان مثال، Nikpay و Rabiei (2019) با استفاده از الگوریتم های فرابتکاری، دقت تشخیص تقلب در تراکنش های بانکی را بهبود بخشیدند.