کاهش هزینۀ کشف تقلب در تراکنش‌های کارت‌های اعتباری: با رویکرد هم‌جوشی اطلاعات

هدف: امروزه اکثر شرکت‌ها و سازمان‌ها، تجارت الکترونیک را برای به‌دست‌آوردن بهره‌وری در خدمات و محصولات خود، در زمینه‌هایی مانند کارت اعتباری، مخابرات، بیمۀ درمانی، بیمۀ خودرو و غیره به‌کار گرفته‌اند. از طرفی، با توجه به حجم رو به رشد تراکنش‌های کارت‌های اعتباری و انواع روش‌های کلاه‌برداری و تقلب در این کارت‌ها، تقاضا برای کشف تقلب در این حوزه نیز افزایش یافته است. با توجه به انواع راه‌کارها و الگوریتم‌های ارائه‌شده برای کاهش هزینۀ تقلب در تراکنش‌های کارت‌های اعتباری، هدف از این پژوهش، ارائه روشی ترکیبی و بهینه، برای کاهش هزینۀ تشخیص تقلب در تراکنش‌های کارت‌های اعتباری، با استفاده از هم‌جوشی الگوریتم‌های ناهمگن طبقه‌بندی و خوشه‌بندی در سطح تصمیم‌گیری است.روش: این پژوهش روی داده‌های یک مجموعه تراکنش‌های بانک برزیلی در بازۀ زمانی دو ماهه، از 14 جولای 2004 تا 12 سپتامبر همان سال انجام شده است. در این مقاله با استفاده از شبکۀ عصبی مصنوعی، به‌عنوان یک رویکرد با سرپرستی و الگوریتم خوشه‌بندی k نزدیک‌ترین همسایه، به‌عنوان یک رویکرد بدون سرپرستی، تابع هزینه را به‌دست آوردیم. همچنین با توجه به شاخص‌های مختلف کشف تقلب که تاکنون در ادبیات معرفی شده، شاخص هزینۀ کشف تقلب انتخاب و بر اساس این تابع هزینه که نخستین‌بار توسط گادی و همکارانش (2008) معرفی شد، به سنجش این شاخص‌ها پرداختیم. از آنجا که استفاده از تنها یک الگوریتم هزینۀ زیادی دارد، به‌منظور کاهش آن، هم‌جوشی الگوریتم‌ها به دو روش نظریۀ گواه دمستر – شفر و هم‌جوشی احتمالی پیشنهاد شده است. هر دو روش هم‌جوشی در سطح تصمیم استفاده شده و ورودی‌های ناهمگن، از دو رویکرد با سرپرستی و بدون سرپرستی با هم ترکیب شده‌اند.یافته‌ها: با توجه به الگوریتم‌های اجرا شده، استفاده از تنها یک الگوریتم برای به‌دست‌آوردن تابع هزینۀ قابل قبول، می‌تواند بسیار پُرهزینه باشد. در حالی‌که استفاده از رویکرد هم‌جوشی، می‌تواند در کاهش هزینه تاثیر بسزایی داشته باشد. هم‌جوشی احتمالی، در مقایسه با نظریۀ گواه دمستر شفر کاهش هزینۀ چشمگیری داشته است که هر دو این الگوریتم‌ها، در سطح تصمیم به‌کار رفته‌اند. هم‌جوشی احتمالی نسبت به شبکۀ عصبی مصنوعی، کاهش هزینه‌ای معادل 4/21 درصد و نسبت به الگوریتم k نزدیک‌ترین همسایه، کاهش هزینه‌ای معادل 8/35 درصد داشته است. نتیجۀ این مطالعه، در نهایت با مقاله‌ای که اولین بار این مجموعه داده در آن با الگوریتم سیستم ایمنی مصنوعی به‌کار رفته است، مقایسه شده و کاهش هزینۀ چشمگیری را نشان داده است.نتیجه‌گیری: در این مطالعه با استفاده از دو الگوریتم طبقه‌بندی و خوشه‌بندی و هم‌جوشی آن‌ها در سطح تصمیم، نشان دادیم که روش‌های ترکیبی در مقایسه با استفادۀ هر یک از الگوریتم‌ها به تنهایی، کاهش هزینۀ بیشتری خواهند داشت. همچنین هم‌جوشی احتمالی در مقایسه با نظریۀ گواه دمستر شفر، هزینۀ کمتری برای کشف تقلب در سیستم‌های مالی دارد که این نتیجه درخور توجهی برای بانک‌ها و موسسه‌های مالی است تا یک سیستم کشف تقلب خوب بسازند.

reducing fraud detection costs in credit card transactions: an information fusion approach

objectivemost companies and organizations use e-commerce to gain productivity and efficiency in their services and products in different areas such as credit cards, telecommunications, health insurance, car insurance, etc. due to the growing volume of credit card transactions and the various methods of fraud and cheating on these cards, the demand for detecting fraud in this area is also increasing. considering the various solutions and algorithms presented to reduce the cost of fraud detection in credit card transactions in the literature, the purpose of this research is to present a combined and optimal method to reduce the cost of fraud detection in credit card transactions for financial systems, using the fusion of heterogeneous classification and clustering algorithms at the decision-making level by using two fusion methods: probabilistic fusion and dempster-shafer evidence theory.methodsthis study utilizes a transaction dataset from a brazilian bank, covering two months from july 14 to september 12, 2004. fraud detection performance is evaluated using a cost function derived from both a supervised learning approach, namely, a neural network, and an unsupervised method, the k-means clustering algorithm. drawing on established fraud detection metrics in the literature, the study adopts the cost function introduced by gadi as the benchmark. recognizing the high cost associated with using a single algorithm, the study implements two information fusion techniques—dempster-shafer evidence theory and probabilistic fusion—to reduce detection costs. both fusion methods operate at the decision level, integrating heterogeneous outputs from the supervised and unsupervised models.resultsdepending on the algorithms implemented, using only one algorithm to obtain an acceptable cost function can be very costly. while using a fusion approach can have a significant impact on cost reduction. the findings indicate that probabilistic fusion significantly outperforms the dempster-shafer evidence theory in minimizing the cost function. specifically, probabilistic fusion achieves a 21.4% cost reduction compared to the artificial neural network and a 35.8% reduction relative to the k-means algorithm. the results of this study were finally compared with a paper in which this dataset was first used with the artificial immune system (ais) algorithm and showed a significant cost reduction.conclusionin this study, two classification and clustering algorithms were utilized, and their fusion at the decision level was implemented to demonstrate that combined methods reduce the cost function more effectively than the use of individual algorithms. furthermore, it was shown that probabilistic fusion yields a lower cost in detecting fraud within financial systems compared to the dempster-shafer evidence theory. this finding is considered significant for banks and financial institutions aiming to develop effective fraud detection systems.