Makine öğrenimi ve derin öğrenme teknikleri ile zaman serisi verileri üzerinde sahtekarlık tespiti

Teknoloji kullanımının artması ve e-ticarete geçiş nedeniyle kredi kartları daha popüler hale geliyor. Dolandırıcılık tespit yöntemlerinin geliştirilmesi, kredi kartı dolandırıcılık oranını azalttı ve kullanıcı tabanı büyüdükçe dolandırıcılık işlemlerinde kaybedilen toplam para miktarı artıyor. Ayrıca, her gün yeni finansal dolandırıcılık yöntemleri tanıtılmakta, bu da onu örüntü tanıma yoluyla araştırma topluluğunun dikkatini gerektiren dinamik ve gelişen bir sorun haline getirmektedir. Bu çalışma, bir dolandırıcılık tespit algoritması tasarlamanın çeşitli zorluklarını ele alan bir kredi kartı dolandırıcılık tespit yaklaşımı sunmaktadır. Hileli işlemlerin sayısı normal işlemlerden çok daha az olduğundan, sınıf dengesizliği önemli bir sorundur. Makul bir örneklem büyüklüğü elde etmek için azınlık sınıfının sentetik aşırı örneklemesini içeren bir yaklaşım seçilmiştir. Buradaki ana katkı, optimum özellikleri elde etmek için filtre tabanlı ve sarmalayıcı tabanlı yöntemlerin çıktılarını birleştiren hibrit bir özellik seçimi yaklaşımıdır. Önerilen bu teknik, diğer üç öznitelik seçme tekniğiyle karşılaştırıldı; dört makine öğrenimi algoritmasında diğer üç teknikleri geride bıraktı ve ardından performansı artırmak için farklı dengeleme teknikleri uyguladı. Azınlık sınıfları artırılarak SMOTE örnekleme yöntemi kullanılarak veri seti üzerinde bir derin öğrenme modeli (LSTM) de eğitildi ve çok yüksek bir sonuç elde edildi. Önerilen model rakiplerinden daha iyi performans gösteriyor