یک رویکرد جدید مبتنی بر GBT برای تشخیص تقلب بین کانالی در تراکنش های بانکی در دنیای واقعی
| عنوان | یک رویکرد جدید مبتنی بر GBT برای تشخیص تقلب بین کانالی در تراکنش های بانکی در دنیای واقعی |
|---|---|
| نویسنده | دولو، یو.، سیفر، امره |
| تاریخ انتشار: | 2022 |
| محل انتشار | - IEEE |
| موضوع | دریفت مفهومی، تقلب در کانال متقاطع، درخت تقویت کننده گرادیان، داده های نامتعادل |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 978-303108332-7 |
| شماره ثبت | b7089b74-0ea6-4791-a35e-1e7027aae467 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2022 |
| متن نمونه | جدیدترین تحقیقات روی صدها مؤسسه مالی نشان داد که تنها 26 درصد از آنها دارای تیمی هستند که برای کشف تقلب بین کانالی تعیین شده است. با توجه به فناوری های در حال توسعه، تکنیک های کلاهبرداری مختلفی در محیط های دیجیتال ظهور و افزایش یافته است. کلاهبرداری مستقیماً بر رضایت مشتری تأثیر می گذارد. به عنوان مثال، تنها در بریتانیا، مجموع ضرر تراکنشهای کلاهبرداری در سال 2020 1.26 میلیارد پوند بود. در این مقاله، ما با رویکردی مبتنی بر درخت تقویت کننده گرادیان (GBT) برای شناسایی کارآمد کلاهبرداریهای متقابل ارائه میکنیم. به عنوان بخشی از رویکرد پیشنهادی ما، ما همچنین راهحلی برای تولید مجموعههای آموزشی از دادههای نامتعادل پیدا کردیم، که همچنین به دلیل تغییر رفتار مشتری از مشکلات دریفت مفهومی رنج میبرد. ما عملکرد مدل GBT خود را با ادغام ویژگی های جمعیت شناختی، اقتصادی و رفتاری اضافی به عنوان بخشی از مهندسی ویژگی افزایش می دهیم. ما عملکرد روش تشخیص تقلب بین کانالی خود را بر روی یک مجموعه داده بانکی واقعی ارزیابی می کنیم که از نظر کلاهبرداری بسیار نامتعادل است که چالش دیگری در مشکل کشف کلاهبرداری است. ما از مدل آموزش دیده خود برای امتیاز دهی به تراکنش های متقابل در زمان واقعی توسط یک بانک خصوصی پیشرو در ترکیه استفاده می کنیم. در نتیجه، رویکرد ما میتواند تقریباً 75 درصد از ضرر کل تقلب را در یک ماه با نرخ مثبت کاذب پایین دریافت کند. |
| Editör | Maglogiannis, I., Iliadis, L., Macintyre, J. |
| DOI | 10.1007/978-3-031-08333-4_6 |
| Cilt | 646 IFIP |
