شناسایی تقلب در کارت های اعتباری با رویکرد یادگیری عمیق و تکنیک انتخاب ویژگی

تجارت الکترونیک به دلیل سرعت، کارایی، کاهش هزینه ها و سهولت دسترسی، مشتریان زیادی را به خود جذب کرده، به گونه ای که امروزه به عنوان یکی از رایج ترین کانال های خرید و فروش مطرح است. این رشد روز افزون زمینه ی مناسبی برای متقلبین فراهم ساخته و آن را به عنوان منبع درآمد فریبنده ای برای آنان مطرح ساخته است. لذا فراهم سازی زیرساختی مناسب، کارا و ایمن برای پرداخت های الکترونیکی از اهمیت ویژه ای برخوردار است که یکی از مولفه های کلیدی آن شناسایی تقلب است. تمرکز این مقاله نیز بر روش های شناسایی مبتنی بر رویکرد یادگیری عمیق و تکنیک انتخاب ویژگی است. برای این منظور از یک شبکه باور عمیق (DBN) برای انتخاب ویژگی های مهم مربوط به تراکنش کارتهای اعتباری استفاده شد. همچنین از یک شبکه عصبی کانولوشن (CNN) با لایه های عمیق جهت فرایند دسته بندی و شناسایی تقلب بهره گرفته شد. مدل پیشنهادی CNN در این مقاله، بسیار عمیق تر از مدل های قبلی در فرایند شناسایی تقلب بوده و برای اولین بار تحلیل عمق برای CNN در این وظیفه نشان داده شده است. نتایج ارزیابی بر روی مجموعه داده های واقعی نشان داد که روش پیشنهادی عملکرد قابل توجهی در افزایش معیار سنجش Fi داشته و قادر به ارائه شناسایی دقیق تری نسبت به روش های پایه می باشد. همچنین، آزمایش های مشابهی برای انواع پولینگ با اعماق مختلف لایه های کانولوشنی در فرایند شناسایی تقلب انجام گرفت. جدای از مزایای استفاده از DBN جهت انتخاب ویژگی های مهم، این نتیجه حاصل شد که با افزایش عمق لایه های کانولوشنی در هر دو حالت استفاده از DBN و بدون آن کارایی سیستم شناسایی تقلب بهبود چشم گیری حاصل می کند.

کلیدواژه ها:

شناسایی تقلب ، تقلب کارتهای اعتباری ، انتخاب ویژگی ، یادگیری عمیق ، CNN DBN