روشی برای بازنمونه‌گیری با حفظ توزیع، در ترکیب با LightGBM-LSTM، برای تشخیص تقلب مبتنی بر توالی در تراکنش‌های کارت اعتباری
روشی برای بازنمونه‌گیری با حفظ توزیع، در ترکیب با LightGBM-LSTM، برای تشخیص تقلب مبتنی بر توالی در تراکنش‌های کارت اعتباری
نوشتهٔ
Behnam Yousefimehr, Mehdi Ghatee
برای انتشار در نشریهٔ «Expert Systems with Applications» پذیرفته شده است.
چکیده:
تشخیص تقلب وظیفه‌ای چالش‌برانگیز است که انجام آن می‌تواند دشوار باشد. برای رویارویی با این چالش‌ها، چارچوبی جامع توسعه داده شده که شامل یک روش تازهٔ بازنمونه‌گیری در ترکیب با طبقه‌بندی‌کننده‌ای وابسته به داده است و می‌تواند تقلب را به‌طور مؤثر تشخیص دهد. چارچوب پیشنهادی از دو رویکرد ترکیبی استفاده می‌کند که مزایای ماشین بردار پشتیبان تک‌کلاسه (OCSVM) را با روش بیش‌نمونه‌گیری مصنوعی اقلیت (SMOTE) و کم‌نمونه‌گیری تصادفی تلفیق می‌کنند. این چارچوب نوآورانه، توزیع نمونه‌های تقلب را به‌طور مؤثر حفظ می‌کند. درواقع، مقایسهٔ توابع احتمال داده‌های تقلب پیش و پس از بازنمونه‌گیری نیز ارائه می‌شود. سپس خروجی رویکردهای ترکیبی ما با دو مدل مجزا، یعنی ماشین تقویت گرادیان سبک (LightGBM) و مدل حافظهٔ بلندِ کوتاه‌مدت (LSTM)، تحلیل می‌شوند. مطالعهٔ موردی ما بر کارت‌های اعتباری اروپایی، اثربخشی روش‌هایمان را در مقایسه با روش‌های موجود به‌طور پیوسته نشان داده است: در تشخیص تقلب غیرتوالی‌محور، امتیاز F1 برابر با 87% و امتیاز AUC متناظر برابر با 96%، و در تشخیص تقلب توالی‌محور، امتیاز F1 برابر با 85% و امتیاز AUC برابر با 87% به دست آمده است. همچنین الگوریتمی نوآورانه برای تعیین اندازهٔ بهینهٔ پنجره‌ها در تحلیل تقلب مبتنی بر توالی توسعه داده‌ایم که برای مجموعه‌دادهٔ اروپایی، اندازهٔ پنجرهٔ 3 را پیشنهاد می‌کند و اثربخشی تحلیل مبتنی بر توالی را نشان می‌دهد. در مجموع، چارچوب پیشنهادی علاوه بر ارائهٔ راهکاری امیدبخش برای افزایش دقت تشخیص تقلب، موارد مثبت کاذب را نیز کاهش می‌دهد.
مرجع: https://doi.org/10.1016/j.eswa.2024.125661