مروری نظام‌مند و مقایسه‌ای تجربی بر روش‌های ترکیبی برای تشخیص تقلب در داده‌های نامتوازن: تلفیق بازنمونه‌گیری و یادگیری ماشین
مقالهٔ ما با عنوان « “مروری نظام‌مند و مقایسه‌ای تجربی بر روش‌های ترکیبی برای تشخیص تقلب در داده‌های نامتوازن: تلفیق بازنمونه‌گیری و یادگیری ماشین» نوشتهٔ Behnam Yousefimehr و Mehdi Ghatee در این نشریه منتشر شده است: AUT Journal of Mathematics and Computing.
چکیدهٔ این مقاله به شرح زیر است:
شناسایی دقیق فعالیت‌های متقلبانه یکی از موضوعات مهم پژوهش‌های محاسباتی بوده و به توسعهٔ روش‌های متنوعی، از آزمون‌های آماری متداول تا مدل‌های پیشرفتهٔ یادگیری ماشین و یادگیری عمیق، انجامیده است. یکی از چالش‌های پایدار و اساسی که کارایی این رویکردها را تضعیف می‌کند، عدم توازن ذاتی کلاس‌ها در بیشتر مجموعه‌داده‌های واقعی تقلب است؛ در این مجموعه‌ها، تعداد تراکنش‌های واقعی بسیار بیشتر از تراکنش‌های متقلبانه است و مدل‌ها اغلب به کلاس اکثریت سوگیری پیدا می‌کنند. برای کاهش این مشکل، رویکردی امیدبخش پدید آمده است: چارچوب‌های ترکیبی که روش‌های بازنمونه‌گیری داده را به‌صورت هم‌افزا با الگوریتم‌های توانمند یادگیری ماشین تلفیق می‌کنند. این چارچوب‌ها به‌ویژه به‌دلیل ظرفیت خود برای تسهیل سامانه‌های تشخیص خودکارِ دقیق و بلادرنگ ارزشمندند. این مرور، بررسی جامعی از اثربخشی و تأثیر چنین روش‌های ترکیبی بر حوزهٔ تشخیص تقلب ارائه می‌کند. برای ارزیابی کمّی عملکرد آن‌ها، مطالعهٔ عددی دقیقی با استفاده از تقلب در بیمهٔ خودرو به‌عنوان مطالعهٔ موردی انجام می‌دهیم. با استفاده از مجموعه‌داده‌های تقلب خودرو، الگوریتم‌های تشخیص گوناگون را که هرکدام با روش‌های مختلف بازنمونه‌گیری همراه شده‌اند، به‌تفصیل مقایسه می‌کنیم. نتایج تجربی ما نشان می‌دهد که عملکرد هر الگوریتم تشخیص تقلب به‌شدت به راهبرد مشخص بازنمونه‌گیری وابسته است؛ این موضوع ضرورت انتخاب دقیق روش متناسب با ویژگی‌های مجموعه‌داده را برجسته می‌کند. کدهای تحلیل در این نشانی در دسترس‌اند:
شناسهٔ DOI این مقاله: 10.22060/ajmc.2025.24642.1446.
کلیدواژه:
کلیدواژه‌ها
برای ارجاع به این مقاله می‌توانید از اطلاعات زیر استفاده کنید: Yousefimehr, B., Ghatee, M. (2026). ‘A systematic survey and empirical comparison of hybrid methods for imbalanced fraud detection: Combining resampling and machine learning’, AUT Journal of Mathematics and Computing, 7(1), pp. 85-116. doi: 10.22060/ajmc.2025.24642.1446
نشانی اینترنتی: https://ajmc.aut.ac.ir/article_5913.html