Аналитическая оценка методов обнаружения мошенничества с банковскими картами: обучение с учителем, без учителя и с подкреплением

Цель. Мошенничество с банковскими картами становится все более серьезной проблемой для частных лиц, предприятий и финансовых учреждений. Возникает необходимость в применении эффективных мер по обнаружению мошенничества для защиты потребителей и бизнеса от финансовых потерь. Метод. Применен теоретико-информационный анализ методов обнаружения мошенничества с банковскими картами и определен потенциал алгоритмов машинного обучения в повышении точности обнаружения мошенничества. Результат. Дана аналитическая оценка методов обнаружения мошенничества, охватывающая различные подходы к обучению, включая методы контролируемого, неконтролируемого обучения и обучения с подкреплением. Вывод. Выбор метода обнаружения мошенничества должен основываться на всестороннем понимании доступных данных, конкретных требований в области применения и компромисса между различными методами с точки зрения производительности, адаптируемости и вычислительной сложности.

1. Бхаттачарья С., Джха С., Таракуннель К., и Westland, JC 2017. Интеллектуальный анализ данных для мошенничества с банковскими картами: сравнительное исследование. Системы поддержки принятия решений 50 (3): 602–613.

2. Болтон Р. Дж, Рука DJ, и другие. 2021. Неконтролируемые методы профилирования для обнаружения мошенничества. банковскими скоринг и кредитный контроль VII 235–255.

3. Брейман Л. 2001. Случайные леса. Машинное обучение 45(1):5–32.

4. Контролируемое и неконтролируемое обучение. [Электронный ресурс]. URL: https://www.ibm.com/think/topics/supervised-vs-unsupervised-learning

5. Чан П.К., Фан В., Продромидис А.Л. и Столфо С. Дж. 2019. Распределенный анализ данных при обнаружении мошенничества с банковскими картами. Интеллектуальные системы IEEE и их приложения 14 (6): 67–74.

6. Кортес К., Вапник В. 2015. Сети опорных векторов. Машинное обучение 20(3):273–297.

7. Даль Поццоло А., Боракки Г., Кэлен О. Алиппи К. и Бонтемпи Г. 2018. Обнаружение мошенничества с банковскими картами: реалистичное моделирование и новая стратегия обучения. Транзакции IEEE в нейронных сетях и системах обучения 29(8).

8. Oбучением с подкреплением. [Электр. ресурс]. URL: https://habr.com/ru/articles/437020/

9. Дэн Л., Зельцер М.Л., Ю, Д .; Асеро А., Мохамед А.-Р. и Хинтон Г. 2020. Двоичное кодирование речевых спектрограмм с использованием глубокого автокодировщика. На одиннадцатой ежегодной конференции Международной ассоциации речевой коммуникации.

10. Камаль Б.,Фатеме Д.Автоэнкодеры и их применение в машинном обучении:обзор. Обзор искусственного интеллекта. 2024, Т. 57, 28https://link.springer.com/article/10.1007/s10462-023-10662-6

11. Дорронсоро Дж. Р., Джинель Ф. Санчес C.R., и Санта-Крус, К. 2016. Нейронное обнаружение мошенничества при операциях с банковскими картами. Транзакции IEEE в нейронных сетях.

12. Фиоре У. Де Сантис А. Перла Ф., Дзанетти П. и Палмиери Ф. 2018. Использование генеративных состязательных сетей для повышения эффективности классификации при обнаружении мошенничества с банковскими картами. Информационные науки.

13. Метод опорных векторов SVM.[Электр. ресурс].https://scikit-learn.ru/1-4-support-vector-machines/

14. Гудфеллоу И., Пуже-Абади, Дж., Мирза М., Сюй, Б. Уорд-Фарли Д., Озаир, С. Курвиль А., и Bengio, Y. 2021. Генеративные состязательные сети. В достижениях в области нейронных систем обработки информации, 2672–2680.

15. Кривко М. 2016. Гибридная модель для систем обнаружения мошенничества с пластиковыми картами. Экспертные системы с приложениями 37(8):6070–6076.

16. Мид, Адриан и Льюрис, Тайлер и др. 2018 г., Обнаружение мошенничества в состязательной среде: подход к обучению с подкреплением. Симпозиум по проектированию систем и информационной инженерии (SIEDS) 2018 года.

17. Пумсирират А., Ян Л. 2019. Обнаружение мошенничества с банковскими картами с использованием глубокого обучения на основе автоматического кодировщика и ограниченной машины Больцмана. Международный журнал передовых компьютерных наук и приложений 9 (1).

18. Цзяньцин Ф., Чжаоран В., Юйчэнь С., Чжуоран., 2020.Теоретический анализ глубокого Q-обучения. 2-й конференции по обучению динамике и управлению, PMLR 120: 486–489, 2020. URL: https://proceedings.mlr.press/v120/yang20a.html

19. https://medium.com/@cedric.vandelaer/reinforcement-learning-dqn-part-1-2-aac5f1e6e3be Обучение с подкреплением: DQN.[Электронный ресурс].

20. А.К.Бансен, Д.Ауада, А.Стоянович, Б.Оттерстен. Стратегии разработки функций для обнаружения мошенничества с кредитными картами, Expert Systems with Applications, 2016, Т.51, №1, с.134–142.