Синтез моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання
DOI:
https://doi.org/10.15587/1729-4061.2020.212830Ключові слова:
цифрові платежі, машинне навчання, автоматичний синтез, виявлення шахрайства, наука про даніАнотація
Дані глобальної фінансової статистики свідчать, що загальні втрати від шахрайських транзакцій у всьому світі постійно зростають. Проблему платіжного шахрайства загострює цифровізація економічних відносин, зокрема впровадження банками концепції "Bank-as-a-Service", що підвищить навантаження на платіжні сервіси.
Метою дослідження є синтез ефективних моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання та аналізу BigData.
Запропоновано і систематизовано підходи до розширення інформаційної бази для виявлення шахрайських транзакцій. Обґрунтовано вибір метрик ефективності для побудови і порівняння моделей.
Для розв’язання задачі запропоновано використання алгоритмів автоматичного машинного навчання, які дозволяють за короткий час перебрати велику кількість варіантів моделей, їх ансамблів і наборів вхідних даних. За рахунок цього в проведених експериментах вдалося отримати якість класифікації по метриці AUC на рівні 0.977–0.982. Це перевищує ефективність класифікаторів, розроблених традиційними методами, при тому, що витрати часу на синтез моделей набагато нижче і вимірюються годинами. Ансамбль моделей дозволив виділити до 85,7 % шахрайських транзакцій в вибірці. Точність виявлення шахрайських транзакцій також є високою (79 %–85 %).
Результати дослідження підтверджують ефективність використання алгоритмів автоматичного машинного навчання для синтезу моделей виявлення шахрайства в цифрових платіжних системах. Причому ефективність проявляється не тільки в якості отриманих класифікаторів, але і в зниженні витрат на їх розробку, а також у високому потенціалі інтерпретованості. Використання результатів дослідження дозволить фінансовим установам скоротити фінансові і часові витрати на розробку та актуалізацію активних систем протидії платіжному шахрайству, підвищити ефективність моніторингу фінансових операцій
Дані глобальної фінансової статистики свідчать, що загальні втрати від шахрайських транзакцій у всьому світі постійно зростають. Проблему платіжного шахрайства загострює цифровізація економічних відносин, зокрема впровадження банками концепції "Bank-as-a-Service", що підвищить навантаження на платіжні сервіси.
Метою дослідження є синтез ефективних моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання та аналізу Big Data.
Запропоновано і систематизовано підходи до розширення інформаційної бази для виявлення шахрайських транзакцій. Обґрунтовано вибір метрик ефективності для побудови і порівняння моделей.
Для розв’язання задачі запропоновано використання алгоритмів автоматичного машинного навчання, які дозволяють за короткий час перебрати велику кількість варіантів моделей, їх ансамблів і наборів вхідних даних. За рахунок цього в проведених експериментах вдалося отримати якість класифікації по метриці AUC на рівні 0.977–0.982. Це перевищує ефективність класифікаторів, розроблених традиційними методами, при тому, що витрати часу на синтез моделей набагато нижче і вимірюються годинами. Ансамбль моделей дозволив виділити до 85,7 % шахрайських транзакцій в вибірці. Точність виявлення шахрайських транзакцій також є високою (79 %–85 %).
Результати дослідження підтверджують ефективність використання алгоритмів автоматичного машинного навчання для синтезу моделей виявлення шахрайства в цифрових платіжних системах. Причому ефективність проявляється не тільки в якості отриманих класифікаторів, але і в зниженні витрат на їх розробку, а також у високому потенціалі інтерпретованості. Використання результатів дослідження дозволить фінансовим установам скоротити фінансові і часові витрати на розробку та актуалізацію активних систем протидії платіжному шахрайству, підвищити ефективність моніторингу фінансових операційПосилання
- The Nilson Report (2013). Issue 1023. Available at: https://nilsonreport.com/publication_newsletter_archive_issue.php?issue=1023
- The Nilson Report (2017). Issue 1118. Available at: https://nilsonreport.com/publication_newsletter_archive_issue.php?issue=1118
- Pozzolo, A. D., Caelen, O., Johnson, R. A., Bontempi, G. (2015). Calibrating Probability with Undersampling for Unbalanced Classification. 2015 IEEE Symposium Series on Computational Intelligence. doi: https://doi.org/10.1109/ssci.2015.33
- Dal Pozzolo, A., Caelen, O., Waterschoot, S., Bontempi, G. (2013). Racing for Unbalanced Methods Selection. Lecture Notes in Computer Science, 24–31. doi: https://doi.org/10.1007/978-3-642-41278-3_4
- Polozhennia pro orhanizatsiyu zakhodiv iz zabezpechennia informatsiynoi bezpeky v bankivskiy systemi Ukrainy 28.09.2017 No. 95. Available at: https://zakon.rada.gov.ua/laws/show/v0095500-17#Text
- Pro zapobihannia ta protydiu lehalizatsiyi (vidmyvanniu) dokhodiv, oderzhanykh zlochynnym shliakhom, finansuvanniu teroryzmu ta finansuvanniu rozpovsiudzhennia zbroi masovoho znyshchennia 2020, No. 25, st. 17. Available at: https://zakon.rada.gov.ua/laws/show/361-20#n831
- Dal Pozzolo, A. (2015). Adaptive Machine learning for credit card fraud detection. Université Libre de Bruxelles. Available at: http://di.ulb.ac.be/map/adalpozz/pdf/Dalpozzolo2015PhD.pdf
- Russac, Y., Caelen, O., He-Guelton, L. (2018). Embeddings of Categorical Variables for Sequential Data in Fraud Context. Advances in Intelligent Systems and Computing, 542–552. doi: https://doi.org/10.1007/978-3-319-74690-6_53
- Carcillo, F., Le Borgne, Y.-A., Caelen, O., Kessaci, Y., Oblé, F., Bontempi, G. (2019). Combining unsupervised and supervised learning in credit card fraud detection. Information Sciences. doi: https://doi.org/10.1016/j.ins.2019.05.042
- Lebichot, B., Braun, F., Caelen, O., Saerens, M. (2016). A graph-based, semi-supervised, credit card fraud detection system. Complex Networks & Their Applications V, 721–733. doi: https://doi.org/10.1007/978-3-319-50901-3_57
- Lebichot, B., Le Borgne, Y.-A., He-Guelton, L., Oblé, F., Bontempi, G. (2019). Deep-Learning Domain Adaptation Techniques for Credit Cards Fraud Detection. Recent Advances in Big Data and Deep Learning, 78–88. doi: https://doi.org/10.1007/978-3-030-16841-4_8
- Georgieva, S., Markova, M., Pavlov, V. (2019). Using neural network for credit card fraud detection. Renewable energy sources and technologies. doi: https://doi.org/10.1063/1.5127478
- Lucas, Y., Portier, P.-E., Laporte, L. et. al. (2019). Towards automated feature engineering for credit card fraud detection using multi-perspective HMMs. Available at: https://www.researchgate.net/publication/335600419
- Fraud detection with machine learning. Available at: https://www.researchgate.net/project/Fraud-detection-with-machine-learning
- Wei, W., Li, J., Cao, L., Ou, Y., Chen, J. (2012). Effective detection of sophisticated online banking fraud on extremely imbalanced data. World Wide Web, 16 (4), 449–475. doi: https://doi.org/10.1007/s11280-012-0178-0
- Mahmoudi, N., Duman, E. (2015). Detecting credit card fraud by Modified Fisher Discriminant Analysis. Expert Systems with Applications, 42 (5), 2510–2516. doi: https://doi.org/10.1016/j.eswa.2014.10.037
- Sudjianto, A., Nair, S., Yuan, M., Zhang, A., Kern, D., Cela-Díaz, F. (2010). Statistical Methods for Fighting Financial Crimes. Technometrics, 52 (1), 5–19. doi: https://doi.org/10.1198/tech.2010.07032
- Patidar, R., Sharma, L. (2011). Credit card fraud detection using neural network. International Journal of Soft Computing and Engineering (IJSCE), 1, 32–38. Available at: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.301.8231&rep=rep1&type=pdf
- Mints, A. (2017). Classification of tasks of data mining and data processing in the economy. Baltic Journal of Economic Studies, 3 (3), 47–52. doi: https://doi.org/10.30525/2256-0742/2017-3-3-47-52
- Sahin, Y., Bulkan, S., Duman, E. (2013). A cost-sensitive decision tree approach for fraud detection. Expert Systems with Applications, 40 (15), 5916–5923. doi: https://doi.org/10.1016/j.eswa.2013.05.021
- Xuan, S., Liu, G., Li, Z., Zheng, L., Wang, S., Jiang, C. (2018). Random forest for credit card fraud detection. 2018 IEEE 15th International Conference on Networking, Sensing and Control (ICNSC). doi: https://doi.org/10.1109/icnsc.2018.8361343
- Fu, K., Cheng, D., Tu, Y., Zhang, L. (2016). Credit Card Fraud Detection Using Convolutional Neural Networks. Lecture Notes in Computer Science, 483–490. doi: https://doi.org/10.1007/978-3-319-46675-0_53
- Zareapoor, M., Shamsolmoali, P. (2015). Application of Credit Card Fraud Detection: Based on Bagging Ensemble Classifier. Procedia Computer Science, 48, 679–685. doi: https://doi.org/10.1016/j.procs.2015.04.201
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5 (2), 197–227. doi: https://doi.org/10.1007/bf00116037
- Sammut, C., Webb, G. I. (Eds.) (2010). Encyclopedia of machine learning. Springer. doi: https://doi.org/10.1007/978-0-387-30164-8
- Vnukova, N., Kavun, S., Kolodiziev, O., Achkasova, S., Hontar, D. (2019). Determining the level of bank connectivity for combating money laundering, terrorist financing and proliferation of weapons of mass destruction. Banks and Bank Systems, 14 (4), 42–54. doi: https://doi.org/10.21511/bbs.14(4).2019.05
- Malyaretz, L., Dorokhov, O., Dorokhova, L. (2018). Method of Constructing the Fuzzy Regression Model of Bank Competitiveness. Journal of Central Banking Theory and Practice, 7 (2), 139–164. doi: https://doi.org/10.2478/jcbtp-2018-0016
- Minsky, M., Papert, S. (2017). Perceptrons. MIT Press. doi: https://doi.org/10.7551/mitpress/11301.001.0001
- Driverless AI Documentation - Overview. Available at: http://docs.h2o.ai/driverless-ai/latest-stable/docs/userguide/index.html
- Driverless AI Documentation - Scorers. Available at: http://docs.h2o.ai/driverless-ai/latest-stable/docs/userguide/scorers.html
- Fabuš, M., Dubrovina, N., Guryanova, L., Chernova, N., Zyma, O. (2019). Strengthening financial decentralization: driver or risk factor for sustainable socio-economic development of territories? Entrepreneurship and Sustainability Issues, 7 (2), 875–890. doi: https://doi.org/10.9770/jesi.2019.7.2(6)
- Mints, O., Marhasova, V., Hlukha, H., Kurok, R., Kolodizieva, T. (2019). Analysis of the stability factors of Ukrainian banks during the 2014–2017 systemic crisis using the Kohonen self-organizing neural networks. Banks and Bank Systems, 14 (3), 86–98. doi: https://doi.org/10.21511/bbs.14(3).2019.08
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Oleh Kolodiziev, Aleksey Mints, Pavlo Sidelov, Inna Pleskun, Olha Lozynska
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
