ارائه راهکاری جدید برای شناسایی تقلب در پرداخت های بانکی و مقایسه 3 الگوریتم پیشنهادی

عصر حاضر، عصر تکنولوژی است و شرایط امروزی حاکم بر جامعه، افراد را به سمت مکانیزه کردن و آسان تر کردن امور وا می دارد. از این رو سیستم های پرداخت و همچنین بانکداری با تحولاتی خارق العاده در زمینه ی مالی و الکترونیکی مواجه شده اند و پول و چک های کاغذی جای خود را به پول و چک های الکترونیکی و کارت های اعتباری داده اند. [3] از طرفی در کنار گسترش روزافزون اینترنت و همچنین تسهیل امور واسطه به آن طی دهه های اخیر نقش تجارت الکترونیک به طور چشمگیری پررنگ شده و همچنان رو به افزایش است. تقریبا بسیاری از شرکت ها و موسسات بخش عمده ای از فعالیت های مربوط به کسب و کار خود را به سمت تجارت الکترونیک سوق دادند. [5] صنعت بانکداری نیز از این تکنولوژی ها در جهت تسهیل امور و افزایش رضایتمندی برای مشتریان خود استفاده نموده است و موجب کاهش تعاملات فیزیکی در محیط های اداری بانک ها شده و استفاده از خدمات را به سمت منازل و محل کار افراد سوق داده است. میزان تقلب های مربوط به کارت اعتباری با نرخ بسیار بالایی در حال افزایش است، میلیاردها دلار در هر سال به علت تراکنش های جعلی کارت های اعتباری از بین می روند. [3] کشف تقلب یکی از فعالیت های حیاتی در سازمان ها به ویژه سازمان های مالی است. برای مقایسه و ارزیابی عملکرد روش پیشنهادی، ما نتایچ به دست آمده را را با نتایج حاصل از یکی از روش های یادگیری عمیق که توسط پژوهشگران قبلی در مجموعه داده های BBVA ارائه شده است، مقایسه می کنیم. [1] نتایج ارزیابی نشان می دهد که روش پیشنهادی در مقایسه با روش پایه، از عملکرد مطلوب تری باراه حل های اختصاصی به دست می آید. شبکه عصبی LSTM ، در کنار روش ارائه شده برای مهندسی ویژگی که معیارهای ارزیابی ارائه شده در این مقاله را برای شناسایی تقلب بهبود می بخشد، یک روش پژوهش جدید برای شناسایی تقلب فراهم می کند.

Keywords:

شناسایی تقلب , کارت های اعتباری , یادگیری عمیق , شبکه عصبی , حافظه طولانی کوتاه مدت ( LSTM)