یادگیری و بازنمایی الگوی داده ها جهت تشخیص ناهنجاری در تراکنشهای بانکی با استفاده از شبکه عصبی خودرمزنگار

ناهنجاری در حوزه تراکنشهای بانکی میتواند ناشی از تغییر رفتار مشتری، تقلب و یا تخلف باشد. تقلب مالی موضوعی است که پیامدهای گسترده ای در صنعت مالی، دولت، بخشهای شرکتی و مصرف کنندگان عادی دارد. افزایش وابستگی به فناوریهای جدید مانند اینترنت و موبایل در سالهای اخیر این مشکل را پیچیده تر کرده است. عدم وجود داده های با برچسب، نامتوازنی داده ها و همچنین تغییر رفتارهای متقلباته در حوزه ی مسائل بانکی، چالشهای قابل توجهی را برای تشخیص ناهنجاری ایجاد کرده اند. که برای حل آنها در سالهای اخیر از روشهای خو شه بندی، درخت تصمیم، شبکه عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش با ا ستفاده از آموزش روش بدون نظارت خودرمزنگار بر روی داده های هنجار هر کاربر و تعریف معیار و آستانه، مدلی برای تشخیص ناهنجاری ایجاد شد. با استفاده از این روش ویژگی ها از داده های بدون برچسب به طور خودکار یاد گرفته شده و سپس با جدا کردن منابع تغییر در داده های ورودی، ساختار ا سا سی داده ها به طور خودکار ک شف شد. نتایج نشان میدهد مدل بدون نظارت خودرمزنگار نسبت به روشهای بدون نظارت خوشه بندی سلسه مراتبی و ماشین بردار پشتیبان یک طبقه از نظر معیارهای دقت، f-score عملکرد بهتری دارد.

Keywords:

خود رمزنگار , یادگیری ماشین , تراکنشهای بانکی , مهندسی ویژگی , روش بدون نظارت , نامتوازنی