عنوان مقاله :
ارائه رويكردي مبتني بر يادگيري عميق براي كشف كلاه‌برداري در سرويس‌هاي پرداخت مالي
عنوان به زبان ديگر :
A Deep Learning Approach to Fraud Detection in Financial Payment Services
پديد آورندگان :
صديقي، اميرحسين پژوهشگاه علوم و فناوري اطلاعات ايران (ايرانداك) - پژوهشكده فناوري اطلاعات - گروه سيستم‌هاي اطلاعاتي، تهران , ساجدي نژاد، آرمان پژوهشگاه علوم و فناوري اطلاعات ايران (ايرانداك) - پژوهشكده فناوري اطلاعات - گروه مديريت فناوري اطلاعات، تهران
كليدواژه :
فناوري اطلاعات , كشف كلاه‌برداري , يادگيري عميق , يادگيري ماشيني , هوش مصنوعي
چكيده فارسي :
كشف خودكار كلاه‌برداري در سرويس‌هاي پرداخت مالي يكي از موضوعاتي است كه با توجه به استفاده روزافزون از اين نوع سرويس‌ها و افزايش حجم نقل و انتقالات مالي انجام‌شده در سيستم‌هاي بانكي از اهميت بالايي برخوردار گشته است. بدين منظور نيازمند سيستمي هوشمند هستيم كه بتواند با استفاده از ويژگي‌هاي مختلف يك تراكنش مالي، قانوني يا غيرقانوني بودن آن را به‌صورت بلادرنگ و با دقت قابل قبولي تشخيص دهد. براي طراحي چنين سيستمي در اين مقاله از الگوريتمي مبتني بر يادگيري عميق بهره گرفته مي‌شود. پس از تشريح الگوريتم پيشنهادي، كارايي آن با استفاده از يك مجموعه از تراكنش‌هاي مالي واقعي ارزيابي مي‌گردد كه به‌عنوان مجموعه داده معيار در پيشينه پژوهش شناخته مي‌شود. سپس با استفاده از ملاك‌هايي نظير صحت، دقت، معيار F، حساسيت و منحني دقت- يادآوري مقايسه‌اي بين الگوريتم پيشنهادي با دو الگوريتم نزديك‌ترين همسايگي و ماشين بردار پشتيبان صورت مي‌گيرد. نتايج محاسباتي ضمن تائيد كارايي الگوريتم پيشنهادي در مجموعه داده معيار، حاكي از صحت 96 درصدي و دقت 98 درصدي آن است.
چكيده لاتين :
Widespread use of financial payment services besides the increased volume of financial transfers carried out in banking systems, have resulted in an important growing trend of automatic fraud detection. In this regard, an intelligent system is needed that can determine the fraudulence or genuineness of a financial transaction in real-time, unquestionably with an acceptable precision using the different transaction features. In order to gain the benefits of the system, a deep learning algorithm is described and proposed in this paper. The performance of the proposed algorithm is evaluated using a set of real-world financial transactions, which is known as the standard dataset in the literature. Then, the proposed algorithm is compared with k-nearest neighbors and support vector machine algorithms using different metrics such as accuracy, precision, F-measure, sensitivity, and precision-recall curve. The computational results confirmed the efficiency of the proposed algorithm on the standard dataset with 96% accuracy and 98% precision.
عنوان نشريه :
مديريت اطلاعات
