論文の概要: A Comprehensive Performance Comparison of Traditional and Ensemble Machine Learning Models for Online Fraud Detection

• arxiv url: http://arxiv.org/abs/2509.17176v1
• Date: Sun, 21 Sep 2025 17:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.149734
• Title: A Comprehensive Performance Comparison of Traditional and Ensemble Machine Learning Models for Online Fraud Detection
• Title（参考訳）: オンラインフラッド検出のための従来の機械学習モデルとアンサンブル機械学習モデルの総合的性能比較
• Authors: Ganesh Khekare, Shivam Sunda, Yash Bothra,
• Abstract要約: リアルタイム不正検出は金融セキュリティにとって不可欠だが、取引量の増加と現代の不正パターンの複雑さのために依然として困難である。 本研究では、ランダムフォレスト、SVM、ロジスティック回帰のような従来の機械学習モデルと、スタックや投票のようなアンサンブルメソッドとの包括的な比較を示す。 アンサンブル法は約0.99の精度を達成したが、従来の手法はリコールの点で優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of the digitally driven economy, where there has been an exponential surge in digital payment systems and other online activities, various forms of fraudulent activities have accompanied the digital growth, out of which credit card fraud has become an increasingly significant threat. To deal with this, real-time fraud detection is essential for financial security but remains challenging due to high transaction volumes and the complexity of modern fraud patterns. This study presents a comprehensive performance comparison between traditional machine learning models like Random Forest, SVM, Logistic Regression, XGBoost, and ensemble methods like Stacking and Voting Classifier for detecting credit card fraud on a heavily imbalanced public dataset, where the number of fraudulent transactions is 492 out of 284,807 total transactions. Application-specific preprocessing techniques were applied, and the models were evaluated using various performance metrics. The ensemble methods achieved an almost perfect precision of around 0.99, but traditional methods demonstrated superior performance in terms of recall, which highlights the trade-off between false positives and false negatives. The comprehensive comparison reveals distinct performance strengths and limitations for each algorithm, offering insights to guide practitioners in selecting the most effective model for robust fraud detection applications in real-world settings.
• Abstract（参考訳）: デジタル化経済の時代には、デジタル決済システムやその他のオンライン活動が急増しており、様々な形の不正行為がデジタル成長に伴い、クレジットカード詐欺がますます重大な脅威となっている。 これに対応するために、リアルタイム不正検出は金融セキュリティに不可欠であるが、取引量の増加と現代の不正パターンの複雑さのため、依然として困難である。 本研究では、ランダムフォレスト、SVM、ロジスティック回帰、XGBoostといった従来の機械学習モデルと、非常に不均衡なパブリックデータセット上でクレジットカード詐欺を検出するスタックや投票分類器のようなアンサンブル手法との総合的なパフォーマンス比較を示す。 アプリケーション固有のプリプロセッシング手法を適用し,様々な性能指標を用いてモデルの評価を行った。 アンサンブル法は約0.99の精度を達成したが、従来の手法は偽陽性と偽陰性とのトレードオフを強調するリコールの点で優れた性能を示した。 包括的な比較では、各アルゴリズムのパフォーマンスの強みと制限が明らかになり、現実の環境で堅牢な不正検出アプリケーションを選択する上で、実践者が最も効果的なモデルを選択するための洞察を提供する。

関連論文リスト

• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• Towards Evaluating Transfer-based Attacks Systematically, Practically, and Fairly [79.07074710460012]
  ディープニューラルネットワーク(DNN)の敵対的脆弱性に大きな注目を集めている。 ブラックボックスDNNモデルを騙すための転送ベース手法が増えている。 30以上のメソッドを実装した転送ベースアタックベンチマーク(TA-Bench)を確立する。
  論文  参考訳（メタデータ） (2023-11-02T15:35:58Z)
• 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)
• Blockchain Large Language Models [65.7726590159576]
  本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。 提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
  論文  参考訳（メタデータ） (2023-04-25T11:56:18Z)
• Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data [0.8223798883838329]
  本稿では,この問題を解決するためにランダムフォレスト(RF)アルゴリズムを実装した。 本研究ではクレジットカード取引のデータセットを用いた。
  論文  参考訳（メタデータ） (2023-03-11T22:59:37Z)
• Empirical study of Machine Learning Classifier Evaluation Metrics behavior in Massively Imbalanced and Noisy data [0.0]
  我々は、実世界の不正検出データセットに典型的な人間のアノテーションエラーと極端な不均衡をモデル化するための理論的基盤を開発する。 我々は、F1スコアとg平均の組み合わせが、典型的な不均衡不正検出モデル分類における最良の評価指標であることを実証した。
  論文  参考訳（メタデータ） (2022-08-25T07:30:31Z)
• Evaluating resampling methods on a real-life highly imbalanced online credit card payments dataset [0.0]
  本稿では,大規模なオンラインクレジットカード決済データセット上での最先端のリサンプリング手法について検討する。 メソッドは難易度が高いか、メトリクスが大幅に改善されないため、それらが非効率であることを示す。
  論文  参考訳（メタデータ） (2022-06-27T09:57:08Z)
• Application of Deep Reinforcement Learning to Payment Fraud [0.0]
  典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。 このような定式化は準最適解につながると我々は主張する。 我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
  論文  参考訳（メタデータ） (2021-12-08T11:30:53Z)
• 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)

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。