سینا دامی - استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
ساغر هموله - دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

عدم امنیت تراکنش ها یکی از مهمترین موانع برای استفاده و ترویج بانکداری الکترونیکی است و شناساییتقلب از مسایل مهم در موسسات مالی و به ویژه بانک ها به شمار می رود. هر ساله میلیاردها یورو به خاطرتقلب کارت اعتباری از بین می روند. بنابراین، موسسات مالی را وادار نمودند تا به طور مداوم سیستم هایشناسایی تقلب خود را بهبود دهند. در سال های اخیر، مطالعات متعدد، استفاده از تکنیک های یادگیریماشین و تکنیک های داده کاوی را برای حل این مشکل پیشنهاد کرده اند. با این حال، در اغلب مطالعات،نوعی اقدام غلط طبقه بندی برای ارزیابی راه حل های مختلف استفاده شده است و هزینه های واقعی مالیمربوط به فرایند شناسایی تقلب را در نظر نمی گیرند. علاوه بر این، هنگام ساخت یک مدل شناسایی تقلبدر کارت های اعتباری، بسیار مهم است که چگونه ویژگی های مناسب را از داده های تراکنش بازنمایی نمود.این کار معمولا با جمع آوری تراکنش ها به منظور رعایت الگوهای رفتار مشتریان انجام می شود . در اینمقاله، برای بازنمایی ویژگی های مناسب از یک روش یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن(CNN) بهره گرفته شد. سپس، با استفاده از داده های تقلب واقعی کارت اعتباری توسط شرکت پردازشکارت های بزرگ اروپایی، ما مدل های جدید شناسایی تقلب در کارت های اعتباری را مقایسه می کنیم وبرآورد میکنیم که چگونه مجموعه های مختلف ویژگی ها بر نتایج تاثیر می گذارند. نتایج تجربی نشان دادکه روش پیشنهادی در مقایسه با روش های پایه عملکرد بهتری دارد.

شناسایی تقلب، کارت های اعتباری، بازنمایی ویژگی ها، یادگیری عمیق، CNN