ЗАСТОСУВАННЯ АЛГОРИТМІВ АНСАМБЛЕВОГО НАВЧАННЯ ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСТВА В БАНКІВСЬКИХ ТРАНЗАКЦІЯХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.3.2.23Ключові слова:
банківське шахрайство, класифікація, випадковий ліс, лінійна регресія, дерево рішень, нейронні мережіАнотація
У роботі розглянуто застосування ансамблевих методів машинного навчання для виявлення та запобігання банківському шахрайству, яке сьогодні є однією з ключових загроз фінансовій стабільності та безпеці клієнтів фінансових установ. Швидкий розвиток цифрових технологій створює як нові можливості для оптимізації фінансових процесів, так і нові виклики, пов’язані з появою більш складних схем шахрайства. З огляду на це, завдання виявлення підозрілих транзакцій потребує високотехнологічних і надійних рішень.Запропонований підхід передбачає використання ансамблевої моделі, яка поєднує результати роботи кількох алгоритмів машинного навчання, що дозволяє компенсувати недоліки окремих моделей і забезпечити більш стабільну класифікацію. Особливу увагу приділено попередньому препроцесингу даних: виконано нормалізацію, балансування класів та вибір найбільш інформативних ознак, що безпосередньо впливають на точність моделі.Однією з ключових вимог дослідження є зменшення кількості шахрайських транзакцій, які можуть бути помилково класифіковані як легітимні, адже такі випадки завдають не лише фінансових збитків банку, а й шкодять його репутації та довірі клієнтів.У межах дослідження проведено порівняльний аналіз ансамблевого методу та одиночних моделей машинного навчання, визначено переваги та недоліки запропонованого рішення. Вибір даного підходу зумовлений також високою практичністю, сумісністю з фінансовими системами а також простотою інтеграції. Ансамблевий метод допомагає поєднати переваги простих моделей та зменшити вплив їхніх недоліків на кінцевий результат.В загальному, вибір програмного забезпечення повинен залежати від технічних вимог проекту і для отримання кращих результатів слід аналізувати різні моделі та підходи. Результати підтверджують, що використання ансамблевих методів забезпечує підвищення точності класифікації та зниження ймовірності помилкових спрацювань. Це робить запропонований підхід перспективним інструментом для підвищення рівня захисту банківських установ від шахрайства та мінімізації фінансових ризиків.
Посилання
Almarshad F. A., Gashgari G. A., Alzahrani A. I. A. Generative adversarial networks-based novel approach for fraud detection for the European cardholders 2013 dataset. IEEE Access. Vol. 11. 2023. Pp. 107348–107368.
Hancock J. T., Bauder R. A., Wang H., Khoshgoftaar T. M. Explainable machine learning models for Medicare fraud detection. Journal of Big Data. Vol. 10, no. 1. 2023.
Alsayaydeh J. A. J., Aziz A., Rahman A. I. A. Development of programmable home security using GSM system for early prevention. ARPN Journal of Engineering and Applied Sciences. Vol. 16, no. 1. 2021. Pp. 88–97.
Fedorchenko I., Oliinyk A., Alsayaydeh J. A. J. Modified genetic algorithm to determine the location of the distribution power supply networks in the city. ARPN Journal of Engineering and Applied Sciences. Vol.15, no. 23. 2020. Pp. 2850–2867.
Shakhovska N., Liaskovsky D., Augousti A., Liaskovska S., Martyn Y. Design and deployment of data developer toolkit in cloud manufacturing environments. CEUR-WS. Vol. 3699. 2024. Pp. 47–56.
Fedorchenko V., Yeroshenko O., Shmatko O., Kolomiitsev O., Omarov M. (2024) Password hashing methods and algorithms on the.Net platform, Advanced Information Systems. Vol. 8, no. 4. 2024. Pp. 82–92.
Islam M. A., Uddin M. A., Aryal S., Stea G. An ensemble learning approach for anomaly detection in credit card data with imbalanced and overlapped classes. Journal of Information Security and Applications. Vol. 78. 2023.
Abdul Salam M., Fouad K. M., Elbably D. L., Elsayed S. M. Federated learning model for credit card fraud detection with data balancing techniques. Neural Computing and Applications. Vol. 36, no. 11. 2024. Pp. 6231–6256.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.






