تقلب در کارت اعتباری پیشرفته | دانلود مقاله تخصصی | متن به فارسی | | متن به فارسی | ترجمه مقالات و متون علمی
light box
امتیاز 2.58 مدل تشخیص تقلب در کارت اعتباری پیشرفته با استفاده از یادگیری ماشینی">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 2325
تعداد کلمات : 8900
مجله : electronics
انتشار : 2022
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی : ،
برچسب ها : ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:مدل تشخیص تقلب در کارت اعتباری پیشرفته با استفاده از یادگیری ماشینی

 چکیده

 همه‌گیری COVID-19 تحرک افراد را تا حدی محدود کرده است، و خرید کالاها و خدمات را به صورت آفلاین دشوار کرده است، که منجر به ایجاد فرهنگ افزایش وابستگی به خدمات آنلاین شده است. یکی از مسائل مهم در استفاده از کارت‌های اعتباری، کلاهبرداری است که یک چالش جدی در حوزه تراکنش‌های آنلاین است. در نتیجه، نیاز زیادی به توسعه بهترین رویکرد ممکن برای استفاده از یادگیری ماشینی وجود دارد تا از تقریباً تمام تراکنش‌های جعلی کارت اعتباری جلوگیری شود. این مقاله در مجموع ۶۶ مدل یادگیری ماشین را بر اساس دو مرحله ارزیابی بررسی می‌کند. یک مجموعه داده کشف تقلب کارت اعتباری واقعی از دارندگان کارت اروپایی در هر مدل به همراه اعتبارسنجی متقاطع K-fold طبقه‌بندی شده استفاده می‌شود. در مرحله اول، ۹ الگوریتم یادگیری ماشین برای شناسایی تراکنش‌های تقلبی آزمایش می‌شوند. بهترین سه الگوریتم برای استفاده مجدد در مرحله دوم، با ۱۹ تکنیک نمونه‌گیری مجدد برای هر یک از سه الگوریتم برتر، نامزد می‌شوند. از بین ۳۳۰ ارزش متریک ارزیابی که نزدیک به یک ماه برای به دست آوردن آنها به طول انجامید، تکنیک کم نمونه برداری همه K-نزدیک‌ترین همسایگان (AllKNN) همراه با CatBoost (AllKNN-CatBoost) به عنوان بهترین مدل پیشنهادی در نظر گرفته می‌شود. بر این اساس، مدل AllKNN-CatBoost با آثار مرتبط مقایسه شده است. نتایج نشان می‌دهد که مدل پیشنهادی از مدل‌های قبلی با مقدار AUC 97.94%، مقدار صحت ۹۵٫۹۱% و مقدار F1-Score 87.40% عملکرد بهتری دارد(تقلب در کارت اعتباری پیشرفته).

Title: Enhanced Credit Card Fraud Detection Model Using Machine Learning

Abstract

 The COVID-19 pandemic has limited people’s mobility to a certain extent, making it difficult to purchase goods and services offline, which has led the creation of a culture of increased dependence on online services. One of the crucial issues with using credit cards is fraud, which is a serious challenge in the realm of online transactions. Consequently, there is a huge need to develop the best approach possible to using machine learning in order to prevent almost all fraudulent credit card transactions. This paper studies a total of 66 machine learning models based on two stages of evaluation. A real-world credit card fraud detection dataset of European cardholders is used in each model along with stratified K-fold cross-validation. In the first stage, nine machine learning algorithms are tested to detect fraudulent transactions. The best three algorithms are nominated to be used again in the second stage, with 19 resampling techniques used with each one of the best three algorithms. Out of 330 evaluation metric values that took nearly one month to obtain, the All K-Nearest Neighbors (AllKNN) undersampling technique along with CatBoost (AllKNN-CatBoost) is considered to be the best proposed model. Accordingly, the AllKNN-CatBoost model is compared with related works. The results indicate that the proposed model outperforms previous models with an AUC value of 97.94%, a Recall value of 95.91%, and an F1-Score value of 87.40%.

      دیدگاهها بسته است.

      محصولات مشابه
      ارزیابی اقتصادی آبیاری با آب شیرین شده دریا در تولید گوجه فرنگی گلخانه ای در جنوب اسپانیا
      خـریـد محـصـول
      نقش درمانی پپتیدهای ضد میکروبی در دیابت ملیتوس(شیرین)
      خـریـد محـصـول
      عوامل تعیین کننده حق الزحمه حسابرسی و نقش هیئت مدیره و ساختار مالکیت
      خـریـد محـصـول
      رشد جمعیت و بقایای حشره کش زنبورهای عسل در چشم انداز های کشاورزی گرمسیری
      خـریـد محـصـول
      اختلال کمبود توجه و بیش فعالی و اختلال دوقطبی: تشخیص، درمان
      خـریـد محـصـول
      ترانگزامیک اسید و عفونت مفاصل پری پروتز
      خـریـد محـصـول
      تشخیص عفونت اطراف پروتز
      خـریـد محـصـول
      بررسی پوشش آلبریچ برای بهینه‌سازی پنهان‌کاری صوتی(آکوستیک) زیردریایی‌ها
      خـریـد محـصـول
      کاربردهای هوش مصنوعی به عنوان یک روند مدرن برای دستیابی به نوآوری سازمانی
      خـریـد محـصـول
      رابطه بین اندازه شرکت و سودآوری با هموارسازی درآمد: شواهدی از شرکت‌های غذا و نوشیدنی
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

      در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

      از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

       
      برو بالا