15012

يافتن تقلب در تراكنش هاي بانكي با استفاده از يادگيري عميق

1402

جواد وحيدي

اين مطالعه به بررسي استفاده از مدل‌هاي يادگيري عميق براي تشخيص تقلب در تراكنش‌هاي كارت اعتباري پرداخته و عملكرد اين مدل‌ها را با روش‌هاي سنتي يادگيري ماشين مقايسه مي‌كند. مدل‌هاي شبكه عصبي مصنوعي (ANN) و شبكه عصبي بازگشتي (RNN) براي شناسايي تراكنش‌هاي تقلبي استفاده شده‌اند. همچنين تكنيك‌هاي پيش‌پردازش داده‌ها مانند SMOTE براي حل مشكل عدم تعادل در داده‌ها به كار رفته‌اند. نتايج نشان مي‌دهد كه مدل‌هاي يادگيري عميق توانايي بالاتري در شناسايي الگوهاي پيچيده‌تر نسبت به مدل‌هاي سنتي دارند و دقت بالاتري در شناسايي تراكنش‌هاي تقلبي نشان مي‌دهند. مدل ANN با دقت 0.9993 و F1 Score 0.8675، و مدل RNN با دقت 0.9995 و F1 Score 0.9012 عملكرد برتر داشته‌اند. اين مطالعه اهميت استفاده از يادگيري عميق در سيستم‌هاي تشخيص تقلب را به‌ويژه در مواجهه با داده‌هاي حجيم و پيچيده برجسته مي‌سازد. كلمات كليدي: كشف تقلب، يادگيري عميق، شبكه عصبي مصنوعي (ANN)، شبكه عصبي بازگشتي (RNN)، SMOTE، تراكنش‌هاي بانكي.

10/18/2024 12:00:00 AM

87430

1404/07/03

Fraud Detection in Banking Transactions Using Deep Learning

تشخيص تقلب , يادگيري عميق , شبكه عصبي مصنوعي , شبكه عصبي بازگشتي , تراكنش‌هاي كارت اعتباري , تراكنش‌هاي بانكي , عدم تعادل كلاس , پيش‌پردازش داده

Fraud Detection , Deep Learning , Artificial Neural Network - ANN , Recurrent Neural Network - RNN , Credit Card Transactions , Banking Transactions , Class Imbalance , Data Preprocessing