Kredi kartı dolandırıcılığı tespiti için federated learning: Kontrollü gürültü entegrasyonu ile gizlilik koruyucu yaklaşım

E-ödeme teknolojisinin hızla artmasıyla birlikte, kartlar önemli araçlardan biri olarak öne çıkmaktadır. Ancak, bu büyüme dolandırıcılık saldırılarının riskini de beraberinde getirerek ilgili tarafların zarar görmesine ve kayıplar yaşamasına neden olabilir. Bankalar, varlıklarını korumak ve düzenleyici kurallara uymak için güçlü dolandırıcılık tespit sistemleri kurmayı hedeflemektedir. Bu nedenle, güvenlik ve bütünlük gereksinimlerini karşılayan bir model geliştirmek kritik öneme sahiptir. Bu araştırma projesinde, Derin Sinir Ağı (DNN) ve AdaBoost ile topluluk öğrenimi gibi gelişmiş Makine Öğrenimi (ML) modelleri tanıtılarak, veri setlerindeki dengesiz yapıyı dengeleme yöntemleriyle dolandırıcılık tespit edilmiştir. Ayrıca, veri gizliliğini koruyarak bankalar arasında Federated Learning (FL) aracılığıyla iş birliği içinde öğrenme kolaylaştırılmıştır. Bu çalışmada, FL modeli, öğrenme sürecini sabote etmeye çalışan bankaların kötü niyetli eylemlerine karşı dayanıklılığı değerlendirmek için farklı oranlarda etiket tersine çevirme saldırılarına karşı test edilmiştir. Modeller, bir Irak bankasından alınan gerçek bir veri seti ve tanınmış Kaggle kredi kartı veri seti üzerinde test edilmiştir. Yöntemlerin tüm yönlerini kapsayacak bir dizi performans metriği ile değerlendirilmiştir. Sonuçlar, Random Forest (RF) ve AdaBoost ile topluluk öğreniminin her iki veri setinde de dikkate değer bir performans sergilediğini göstermiştir. Ayrıca, FL cosine tabanlı yöntem, mevcut Federated Average yönteminden daha iyi sonuçlar vermiştir. Son olarak, RF+AdaBoost ile FL cosine birleşimini içeren önerilen yaklaşım, özel bir banka veri setinde doğrulama yapıldığında %96.47 doğruluk ve %94.58 geri çağırma oranı ile mevcut yöntemi geride bırakmıştır. Bu çalışma, dolandırıcılık tespiti alanında gerçek veri setlerinin eksikliğini ele alarak akademik literatüre katkıda bulunmuştur.