Eфективнiсть штучних нейронних мереж для пошуку
аномалiй у фiнансових операцiях
Анотація
Штучнi нейроннi мережi (ШНМ) дозволяють ефективно виявляти складнi залежностi мiж ознаками в наборах даних. У роботi запропоновано модель чотиришарової штучної нейронної мережi для виявлення елементiв шахрайства серед фiнансових операцiй. До першого прихованого шару застосовано метод dropout, використання якого
дозволяє прискорити навчання мережi та зменшити ризик її перенавчання. Для активацiї нейронiв використано функцiю ReLU. Навчання, валiдацiя та тестування моделей ШНМ здiйснено на синтетичному наборi даних, який завантажено з платформи
Kaggle. Ефективнiсть обчислено для п’яти моделей iз рiзними dropout коефiцiєнтами за допомогою метрик precision, recall та F-score. Результати аналiзу моделей порiвняно мiж собою та iз трьома алгоритмами машинного навчання – Support Vector Machine,
Logistic Regression та Random Forest. На основi результатiв продемонстровано, що модель машинного навчання на основi ШНМ iз dropout коефiцiєнтом, що дорiвнює 0.1, є ефективнiшою, незважаючи на бiльший час навчання.
Повний текст:
PDFПосилання
1. Iнтернет-представництво Нацiонального банку України (2024) [Online]. Available:https://bank.gov.ua/ua/news/all/drugiy-rik-povnomasshtabnoyi-viyni-obsyagibezgotivkovih-rozrahunkiv-zrostayut
2. Позняк Д. I. Виявлення шахрайських операцiй методами ма-
шинного навчання / Д. I. Позняк. – 2022 [Online]. Available:
https://ela.kpi.ua/server/api/core/bitstreams/c3413fb3-41b3-4bba-bd0ec88b33eb6d87/content
3. Breiman L. Random Forests / L. Breiman // Machine Learning. – 2001. – Vol. 45. – P.5–32
.
4. Cortes C. Support-vector networks / C. Cortes, V. Vapnik // Machine Learning. – 1995. –Vol. 20. – P. 273–297.
5. Chen J.I. Deep Convolution Neural Network Model for Credit-Card Fraud Detection and Alert / J.I. Chen, K. Lai // Journal of Artificial Intelligence and Capsule Networks. – 2021. – Vol. 03, №2. – P. 101-112.
6. Srivastava N. Dropout: A Simple Way to Prevent Neural Networks from Overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 2014. – Vol. 15, №56. – P. 1929-1958.
7. Kasasbeh B. Multilayer perceptron artificial neural networks-based model for credit card fraud detection / B. Kasasbeh, B. Aldabaybah, H. Ahmad // Indonesian Journal of Electrical Engineering and Computer Science. – 2022. – Vol. 26, №1. – P. 362-373.
8. Ke G. LightGBM: A Highly Efficient Gradient Boosting Decision Tree / G. Ke, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, T. Liu // Proceedings of the 31st International Conference on Neural Information Processing Systems. – 2017. – Vol. 30. – P. 3149-3157.
9. Synthetic financial datasets for fraud detection. Kaggle [Online]. Available:
https://www.kaggle.com/datasets/ealaxi/paysim1
10. Patidar R. Credit Card Fraud Detection Using Neural Network / R. Patidar, L. Sharma // International Journal of Soft Computing and Engineering. –2011. – Vol. 1, №1. – P. 32-38.
11. Kuldeep R. Credit card fraud detection using AdaBoost and majority voting / R. Kuldeep, C. Loo, M. Seera, C. Lim, A. Nandi // IEEE Access. – 2018. – Vol. 6. – P. 14277-14284.
12. Saraf S. Detection of Credit Card Fraud using a Hybrid Ensemble Model / S. Saraf, A. Phakatkar // International Journal of Advanced Computer Science and Applications. – 2022. – Vol. 13, №9. – P. 464-474.
13. Tolles J. Logistic regression: relating patient characteristics to outcomes / J. Tolles, W.J. Meurer // The Journal of the American Medical Association. – 2016. – Vol. 316, №5. – P. 533-534.
14. Understanding binary cross-entropy / log loss: a visual explanation – //
Towards data science. – 2018, Nov 21. – Daniel Godoy [Online]. Available:
https://towardsdatascience.com/understanding-binary-cross-entropy-log-loss-a-visualexplanation-a3ac6025181a
15. Wade C. Hands-On Gradient Boosting with XGBoost and scikit-learn / C. Wade // Birmingham: Packt Publishing Ltd. – 2020. – P. 117-121
DOI: http://dx.doi.org/10.30970/vam.2025.34.13742
Посилання
- Поки немає зовнішніх посилань.