ارائه روشی مبتنی بر شبکه عصبی خودرمزنگار برای کاهش ابعاد در مسئله کشف تقلب

در دهه های اخیر وابستگی زیاد به اینترنت ، باعث افزایش معاملات کارت های بانکی شده است، به موازات آن موارد تقلب در کارتهای بانکی نیز در حال افزایش است. ناهنجاری در تراکنش های بانکی می تواند ناشی از تغییر رفتار مشتری، تقلب و یا تخلف باشد. رفتارهای متقلبانه در تراکنش های بانکی، به نوعی رفتارهای ناهنجار به شمار می آیند که این رفتار های غیرنرمال اثرات مخربی دارند و تشخیص آنها اهمیت دارد. حوزه‌های مسائل با ابعاد بالا، چالش‌های قابل‌توجهی را برای تشخیص ناهنجاری ایجاد کرده اند. که برای حل آنها در سال های اخیر از روش های خوشه بندی، درخت تصمیم، شبکه عصبی و ماشین بردار پشتیبان استفاده شده است. وجود ویژگی‌های نامرتبط می‌تواند وجود ناهنجاری را پنهان کند. این مسئله که «نفرین ابعاد» نامیده می‌شود مانعی برای بسیاری از روش‌های تشخیص ناهنجاری است. با توجه به ابعاد بالا و پیچیدگی مسائل روش های آماری و داده کاوی قادر به تشخیص ناهنجاری ها نیستند. در نتیجه ساخت یک مدل تشخیص ناهنجاری مناسب برای استفاده در فضاهای با ابعاد بالا مستلزم ترکیب استخراج‌کننده‌ی ویژگی بدون ناظر و تشخیص‌دهنده‌ی ناهنجاری است.در این پژوهش روشی ترکیبی برای تشخیص ناهنجاری در داده‌های نامتوازن ارائه شده است که در آن از روش بدون نظارت شبکه عصبی خودرمزنگار برای کاهش بعد و استخراج ویژگی و برای تفکیک تراکنش های ناهنجار از هنجار از مدل افزایش گرادیان تقویت کننده استفاده می شود. نتایج نشان می دهند مدل xgboost بر روی داده های اصلی و کاهش بعد یافته دقت بالایی را نشان می دهند و باتوجه به اهمیت زمان اجرای مدل ها در تراکنش های بانکی، زمان اجرای مدل xgboost بر روی داده های کاهش بعد یافته کمتر از اجرای آن بر روی داده های اصلی می باشد.