Financial fraud detection using explainable artificial intelligence

Finans sektöründe artan işlem hacmi nedeniyle dolandırıcılık faaliyetleri riski artarak ciddi finansal ve itibar kayıplarına yol açmaktadır. Bu nedenle finansal dolandırıcılık tespiti kritik bir önem arz etmektedir. Bu tez, dolandırıcılık tespit sistemlerinin doğruluk, verimlilik ve ölçeklenebilirliğini artırmayı amaçlayan gelişmiş makine öğrenimi ve derin öğrenme modellerini değerlendirerek bu konuyu ele almayı hedeflemektedir. Çalışmada hem denetimli hem de denetimsiz öğrenme tekniklerini kapsayan 14 makine ve derin öğrenme modeli, dört örnekleme tekniği (dengesiz veri, rastgele azınlık örnekleme, SMOTE ve rastgele azınlık örnekleme ile çoğunluk oylaması) üzerinden özel ve kamuya açık bir veri setinde değerlendirilmiştir. Her bir modelin etkinliği karşılaştırılmış ve analiz edilmiş, dolandırıcılık tespiti görevlerine uygunlukları vurgulanmıştır. Çalışma ayrıca, dolandırıcılık tespitine katkıda bulunan en etkili özellikleri ortaya çıkarmak için SHAP, LIME, DeepLIFT gibi açıklanabilirlik tekniklerini kullanmaktadır. Sonuçlar, değerlendirilen modellerden makine öğrenimi modelleri arasında Random Forests, derin öğrenme modelleri arasında ise TabTransformers modelinin en iyi sonucu verdiğini göstermiştir. Bu araştırma, makine öğrenimi ve derin öğrenme modellerinin kapsamlı bir değerlendirmesini sunarak, veri örnekleme, özellik mühendisliği ve model açıklanabilirliğini iyileştirme konularında optimal stratejileri belirlemek suretiyle, finans sektörünün dolandırıcılıkla mücadele çabalarına katkıda bulunmaktadır.