چکیده:
با رشد روزافزون استفاده از کارتهای الکترونیکی، بهخصوص در صنعت بانکی، حجم تراکنش با این کارتها نیز بهسرعت افزایش پیدا کرده است. بهعلاوه، ذات مالی این کارتها سبب ایجاد مطلوبیت تقلب در این حوزه شده است. تحقیق حاضر با رویکرد پردازش موازی و راهحل نگاشت کاهش، از شبکۀ عصبی مدل کوهونن برای کشف ناهنجاری در تراکنش کارتهای بانکی استفاده کرده است. برای این منظور، در مرحلۀ نخست راهحلی برای طبقهبندی تراکنشها به تقلبآمیز و قانونی پیشنهاد شد که نسبت به روشهای دیگر عملکرد بهتری از خود نشان داد. در مرحلۀ بعد، روش پیشنهادی بهدستآمده از تبدیل شبکۀ کوهونن به فرم استفادهشدۀ نگاشت کاهش، توانست قابلیت مناسبی را از نظر زمان اجرا به نمایش بگذارد؛ بهطوریکه انتظار میرود در تراکنشهایی با مفروضات بزرگداده بهخوبی پیادهسازی شود.
خلاصه ماشینی:
از سوي ديگر، همان طور که پيش تـر اشاره شد، مسئلۀ تقلب در اين تراکنش ها بسيار جدي است ؛ بنابراين هدف تحقيق حاضـر يـافتن مدل مناسب تحليل داده هاي بزرگ از تراکنش کارت هاي بانکي ، بـراي دسـتيابي بـه الگوهـايي است که بتوان از طريق آنها تراکنش ورودي را به تراکنش قانوني يا تقلب آميز طبقه بندي کرد.
(2005 با در نظر گرفتن اين موارد، مسئلۀ تحقيق حاضر، شناسايي سريع و درستي قابل قبول تقلـب در تراکنش کارت هاي بـانکي بـا اسـتفاده از رويکـرد غيرسرپرسـتي شـبکۀ عصـبي نقشـه هـاي خودسازمانده کوهونن در محـيط بـزرگ داده اسـت .
بـراي کشـف تقلـب در کارت هاي بانکي ، از روش ها و الگوريتم هاي متعددي استفاده مي شود که در زير به بعضي از آنهـا اشاره شده است : • الگوريتم هاي همجوشي اطلاعات مانند تئوري گواه دمپستر و شيفر و يـادگيري بيـزي (رآج و پرتيا، ٢٠١١؛ برمودز، پرز، آيوسو، گومز و وازکوئز، ٢٠٠٨)؛ • مدل مخفي مارکوف (سريواستاوا و همکاران ، ٢٠٠٨؛ بوساري و پاتيل ، ٢٠١١)؛ • شبکه هاي عصبي (زري پور و همکاران ، ٢٠١٢؛ رآج و پرتيا، ٢٠١١؛ وثـوق و همکـاران ، ١٣٩٣؛ زاسلاوسکي و اسـتريژاک ، ٢٠٠٦؛ گنـزالس و ولاسـکوئز، ٢٠١٣؛ اولزووسـکي ، ٢٠١٤؛ پتيدار و شارما، ٢٠١١)؛ • الگوريتم ژنتيک (راماکالياني و اومادوي ، ٢٠١٢؛ دومان و ازليک ، ٢٠١١)؛ • سيستم هاي ايمني مصنوعي (حلوايي و اکبري ، ٢٠١٤).
A novel model for credit card fraud detection using Artificial Immune Systems.
Data mining methods for credit card fraud detection.
Research on Credit Card Fraud Detection Model Based on Class Weighted Support Vector Machine.