ارائه روشی مبتنی بر شبکه عصبی خودرمزنگار برای کاهش ابعاد در مسئله کشف تقلب

در دهه های اخیر وابستگی زیاد به اینترنت ، باعث افزایش معاملات کارتهای بانکی شده است، به موازات آن موارد تقلب در کارتهای بانکی نیز در حال افزایش ا ست. ناهنجاری در تراکنشهای بانکی می تواند نا شی از تغییر رفتار مشتری، تقلب و یا تخلف با شد. رفتارهای متقلبانه در تراکنش های بانکی، به نوعی رفتارهای ناهنجار به شمار می آیند که این رفتارهای غیرنرمال اثرات مخربی دارند و تشخیص آنها اهمیت دارد. حوزه های مسائل با ابعاد بالا، چالش های قابل توجهی را برای تشخیص ناهنجاری ایجاد کرده اند. که برای حل آنها در سالهای اخیر از روشهای خوشه بندی، درخت تصمیم، شبکه عصبی و ماشین بردار پشتیبان استفاده شده است. وجود ویژگیهای نامرتبط میتواند وجود ناهنجاری را پنهان کند. این مسئله که »نفرین ابعاد« نامیده می شود مانعی برای بسیاری از روشهای تشخیص ناهنجاری است. با توجه به ابعاد بالا و پیچیدگی مسائل روشهای آماری و داده کاوی قادر به تشخیص ناهنجاری ها نیستند. در نتیجه ساخت یک مدل تشخیص ناهنجاری مناسب برای استفاده در فضاهای با ابعاد بالا مستلزم ترکیب استخراج کننده ی ویژگی بدون ناظر و تشخیص دهنده ی ناهنجاری است.در این پژوهش روشی ترکیبی برای تشخیص ناهنجاری در داده های نامتوازن ارائه شدهاست که در آن از روش بدون نظارت شبکه عصبی خودرمزنگار برای کاهش بعد و استخراج ویژگی و برای تفک یک تراکنش های ناهنجار از هنجار از مدل افزایش گرادیان تقویت کننده استفاده میشود. نتایج نشان میدهند مدل XGBoost بر روی داده های اصلی و کاهش بعد یافته دقت بالایی را نشان میدهند و باتوجه به اهمیت زمان اجرای مدلها در تراکنش های بانکی، زمان اجرای مدل XGBoost بر روی داده های کاهش بعد یافته کمتر از اجرای آن بر روی داده های اصلی میباشد.

Keywords:

افزایش گرادیان تقویت کنندهXGBoost , خود رمزنگار , یادگیری ماشین , تراکنشهای بانکی , نامتوازنی , نفرین ابعاد.