論文の概要: Deep Learning Methods for Credit Card Fraud Detection

• arxiv url: http://arxiv.org/abs/2012.03754v1
• Date: Mon, 7 Dec 2020 14:48:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 08:29:32.867289
• Title: Deep Learning Methods for Credit Card Fraud Detection
• Title（参考訳）: クレジットカード不正検出のための深層学習法
• Authors: Thanh Thi Nguyen, Hammad Tahir, Mohamed Abdelrazek, Ali Babar
• Abstract要約: 本稿では,クレジットカード詐欺検出問題の深層学習手法について検討する。 パフォーマンスを3つの金融データセット上のさまざまな機械学習アルゴリズムと比較する。 実験の結果,従来の機械学習モデルに対する深層学習手法の性能が向上した。
• 参考スコア（独自算出の注目度）: 3.069837038535869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credit card frauds are at an ever-increasing rate and have become a major problem in the financial sector. Because of these frauds, card users are hesitant in making purchases and both the merchants and financial institutions bear heavy losses. Some major challenges in credit card frauds involve the availability of public data, high class imbalance in data, changing nature of frauds and the high number of false alarms. Machine learning techniques have been used to detect credit card frauds but no fraud detection systems have been able to offer great efficiency to date. Recent development of deep learning has been applied to solve complex problems in various areas. This paper presents a thorough study of deep learning methods for the credit card fraud detection problem and compare their performance with various machine learning algorithms on three different financial datasets. Experimental results show great performance of the proposed deep learning methods against traditional machine learning models and imply that the proposed approaches can be implemented effectively for real-world credit card fraud detection systems.
• Abstract（参考訳）: クレジットカード詐欺は引き続き増加傾向にあり、金融業界では大きな問題となっている。 これらの詐欺により、カード利用者は購入をためらうことになり、商店も金融機関も大きな損失を被る。 クレジットカード詐欺におけるいくつかの大きな課題は、公開データの可用性、データの高レベルの不均衡、詐欺の性質の変化、誤報の多さである。 機械学習技術はクレジットカード詐欺を検出するのに使われてきたが、不正検出システムはこれまで大きな効率性を提供できなかった。 近年,様々な分野の複雑な問題解決に深層学習が応用されている。 本稿では,クレジットカード不正検出問題の深層学習手法を徹底的に検討し,その性能を3種類の金融データセットにおける各種機械学習アルゴリズムと比較する。 実験結果は,従来の機械学習モデルに対する深層学習手法の優れた性能を示すとともに,実世界のクレジットカード不正検出システムに対して,提案手法を効果的に実装できることを示唆する。

関連論文リスト

• Credit Card Fraud Detection with Subspace Learning-based One-Class Classification [18.094622095967328]
  1クラス分類(OCC)アルゴリズムは、不均衡なデータ分散を扱うのに優れている。 これらのアルゴリズムは、部分空間学習をデータ記述に統合する。 これらのアルゴリズムは、OCCに最適化された低次元の部分空間にデータを変換する。
  論文  参考訳（メタデータ） (2023-09-26T12:26:28Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Challenges and Complexities in Machine Learning based Credit Card Fraud Detection [0.0]
  取引量、詐欺の独自性、詐欺師の巧妙さは詐欺を検知する上で大きな課題である。 機械学習、人工知能、ビッグデータの出現は、詐欺と戦うための新しいツールを公開した。 しかし,不正検出アルゴリズムの開発は,不正データの極めて不均衡な性質のため,困難で遅かった。
  論文  参考訳（メタデータ） (2022-08-20T07:53:51Z)
• A novel approach to increase scalability while training machine learning algorithms using Bfloat 16 in credit card fraud detection [0.0]
  本研究は、銀行のクレジットカード不正検出システムにおける機械学習のスケーラビリティに焦点を当てる。 提案手法で利用可能な既存の機械学習アルゴリズムと手法を比較した。 目標は、機械学習アルゴリズムのトレーニングにビットが少ないため、よりスケーラブルなシステムが実現され、時間が短縮され、実装にコストがかかることを証明することだ。
  論文  参考訳（メタデータ） (2022-06-24T01:22:17Z)
• Feature-Level Fusion of Super-App and Telecommunication Alternative Data Sources for Credit Card Fraud Detection [106.33204064461802]
  クレジットカード不正を早期に検出するための,スーパーアプリ顧客情報,携帯電話回線データ,従来型の信用リスク変数を融合した機能レベルの有効性について検討する。 クレジットカードのデジタルプラットフォームデータベースから約9万人のユーザを対象に,我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-11-05T19:10:35Z)
• Credit Card Fraud Detection using Machine Learning: A Study [2.5829043503611318]
  世界は急速にデジタル化に向かっており、貨幣取引はキャッシュレスになりつつある。 非詐欺行為から不正取引を分析し、検出する必要がある。 本稿では,クレジットカード不正を検出するための各種手法について概説する。
  論文  参考訳（メタデータ） (2021-08-23T08:30:24Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
  社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。 多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。 近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
  論文  参考訳（メタデータ） (2021-04-09T01:46:34Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Credit card fraud detection using machine learning: A survey [0.5134435281973136]
  本稿では,データ駆動型クレジットカード不正検出機能と,その複雑な課題に対処するための機械学習手法について検討する。 特に、まず一般的なクレジットカード検出タスクを特徴付けます。データセットとその属性、メトリックの選択と、そのような不均衡なデータセットを扱ういくつかの方法です。
  論文  参考訳（メタデータ） (2020-10-13T15:35:32Z)
• DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
  コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。 本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
  論文  参考訳（メタデータ） (2020-06-10T08:20:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。