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

تجارت الکترونیک به دلیل سرعت، کارایی، کاهش هزینه‌ها و سهولت دسترسی، مشتریان زیادی را به خود جذب کرده، به‌گونه‌ای که امروزه به عنوان یکی از رایج‌ترین کانال‌های خرید و فروش مطرح است. این رشد روز افزون زمینه‌ی مناسبی برای متقلبین فراهم ساخته و آن‌را به‌عنوان منبع درآمد فریبنده‌ای برای آنان مطرح ساخته است. لذا فراهم‌سازی زیرساختی مناسب، کارا و ایمن برای پرداخت‌های الکترونیکی از اهمیت ویژه‌ای برخوردار است که یکی از مولفه‌های کلیدی آن شناسایی تقلب است. تمرکز این مقاله نیز بر روش‌های شناسایی مبتنی بر رویکرد یادگیری عمیق و تکنیک انتخاب ویژگی است. برای این منظور از یک شبکه باور عمیق (dbn) برای انتخاب ویژگی‌های مهم مربوط به تراکنش کارت‌های اعتباری استفاده شد. همچنین از یک شبکه عصبی کانولوشن (cnn) با لایه‌های عمیق جهت فرایند دسته بندی و شناسایی تقلب بهره گرفته شد. مدل پیشنهادی cnn در این مقاله، بسیار عمیق‌تر از مدل‌های قبلی در فرایند شناسایی تقلب بوده و برای اولین بار تحلیل عمق برای cnn در این وظیفه نشان داده شده است. نتایج ارزیابی برروی مجموعه داده‌های واقعی نشان داد که روش پیشنهادی عملکرد قابل‌توجهی در افزایش معیار سنجش f1 داشته و قادر به ارائه شناسایی دقیقتری نسبت به روش‌های پایه می‌باشد. همچنین، آزمایش‌های مشابهی برای انواع پولینگ با اعماق مختلف لایه‌های کانولوشنی در فرایند شناسایی تقلب انجام گرفت. جدای از مزایای استفاده از dbn جهت انتخاب ویژگی‌های مهم، این نتیجه حاصل شد که با افزایش عمق لایه‌های کانولوشنی در هر دو حالت استفاده از dbn و بدون آن کارایی سیستم شناسایی تقلب بهبود چشم‌گیری حاصل می‌کند.