یادگیری و بازنمایی الگوی داده ها جهت تشخیص ناهنجاری در تراکنش های بانکی با استفاده از شبکه عصبی خودرمزنگار

ناهنجاری در حوزه تراکنش‌های بانکی می‌تواند ناشی از تغییر رفتار مشتری، تقلب و یا تخلف باشد. تقلب مالی موضوعی است که پیامدهای گسترده‌ای در صنعت مالی، دولت، بخش های شرکتی و مصرف‌کنندگان عادی دارد. افزایش وابستگی به فناوری‌های جدید مانند اینترنت و موبایل در سال های اخیر این مشکل را پیچیده‌تر کرده است. عدم وجود داده های با برچسب، نامتوازنی داده ها و همچنین تغییر رفتارهای متقلباته در حوزه‌ی مسائل بانکی، 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. در این پژوهش با استفاده از آموزش روش بدون نظارت خودرمزنگار بر روی داده های هنجار هر کاربر و تعریف معیار و آستانه، مدلی برای تشخیص ناهنجاری ایجاد شد. با استفاده از این روش ویژگی ها از داده های بدون برچسب به‌طور خودکار یاد گرفته شده و سپس با جدا کردن منابع تغییر در داده‌های ورودی، ساختار اساسی داده‌ها به‌طور خودکار کشف شد. نتایج نشان می دهد مدل بدون نظارت خودرمزنگار نسبت به روش های بدون نظارت خوشه بندی سلسه مراتبی و ماشین بردار پشتیبان یک طبقه از نظر معیار های دقت، f-score عملکرد بهتری دارد.