ارائه روشی برای شناسایی و کشف تقلب در کارت های اعتباری با استفاده از الگوریتم ترکیبی شبکه عصبی و رقابت استعماری
الموضوعات :
سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
جواد بالا کودهی
1
,
محمد تحقیقی شربیان
2
1 - دانشگاه آزاد زنجان- دانشکده برق و کامپیوتر- زنجان- ایران
2 - استادیار، گروه کامپیوتر، دانشکده برق و کامپیوتر، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران.
تاريخ الإرسال : 01 الإثنين , محرم, 1443
تاريخ التأكيد : 16 الخميس , صفر, 1443
تاريخ الإصدار : 23 الأربعاء , ذو القعدة, 1443
الکلمات المفتاحية:
کشف تقلب,
ترکیبی شبکه عصبی,
الگوریتم,
کارت اعتباری,
رقابت استعماری,
ملخص المقالة :
مقاله حاضر بـا مدل سـازی ریاضـی، فرآینـد اجتمـاعی-سیاسـی الگوریتم رقابت استعماری را در جهت ارائه یک الگوریتم قوی و کارا در حوزه بهینـه سـازی تشخیص به کارگرفته است. دراین الگو از الگوریتم بهینه سازی برای یـادگیری یک ساختار شبکه عصبی استفاده شده است. شبکه عصبی مورد استفاده در حل مسئله طبقه بندی دیتاهای بانکی به کار رفته است و اعمـال الگوریتم رقابت استعماری به مسئله یادگیری شـبکه عصـبی طبقـه بندی کننده نیز روش مطرح شده در کار است. ساختار ترکیبی و پلکانی مدل- مبتنی بر الگوی هوشمند سازی – بر اساس ساختار ارتقا ی سیستم پیشنهادی عمل می کند . در این پژوهش تشخیص تقلب در کارت‌های اعتباری با هدف شناسایی نرخ تقلب، بالا بردن دقت و اعمال کمترین نرخ خطای سیستم با استفاده شبکه‌های عصبی و ترکیب آن با الگوریتم رقابت استعماری همراه بوده است؛ همچنین استخراج ویژگی‌های مؤثر در ارزیابی تشخیص تقلب از دیگر اهداف این تحقیق می‌باشد.
المصادر:
Mittal, S., & Tyagi, S. (2020). “Computational Techniques for Real-Time Credit Card Fraud Detection”. In Handbook of Computer Networks and Cyber Security, PP: (653-681). Springer, Cham.
Adebola, A. B. (2019). “Comparative Analysis of Back-propagation Neural Network and K-Means Clustering Algorithm in Fraud Detection in Online Credit Card Transactions”. Fountain Journal of Natural and Applied Sciences, 8(1).
Singla, A., & Jangir, H. (2020, February). “A Comparative Approach to Predictive Analytics with Machine Learning for Fraud Detection of Real time Financial Data”. In 2020 International Conference on Emerging Trends in Communication, Control and Computing (ICONC3) PP: (1-4). IEEE.
Yousefi, N., Alaghband, M., & Garibay, I. (2019). “A Comprehensive Survey on Machine Learning Techniques and User Authentication Approaches for Credit Card Fraud Detection”. arXiv preprint arXiv:1912.02629.
Mishra, C., Gupta, D. L., & Singh, R. (2017). “Credit Card Fraud Identification Using Artificial Neural Networks”. International Journal of Computer Systems, 4(07).
Adewumi, A. O., & Akinyelu, A. A. (2017).” A survey of machine-learning and nature-inspired based credit card fraud detection techniques”. International Journal of System Assurance Engineering and Management, 8(2),PP: ( 937-953).
Kültür, Y., & Çağlayan, M. U. (2017). “Hybrid approaches for detecting credit card fraud”. Expert Systems, 34(2), e12191.
Kavitha, M., & Suriakala, M. (2017, November). “Real time credit card fraud detection on huge imbalanced data using meta-classifiers”. In 2017 international conference on inventive computing and informatics (ICICI), PP: (881-887). IEEE.
Fu, K., Cheng, D., Tu, Y., & Zhang, L. (2016, October). “Credit card fraud detection using convolutional neural networks”. In International Conference on Neural Information Processing, PP: (483-490). Springer, Cham.
Bahnsen, A. C., Aouada, D., Stojanovic, A., & Ottersten, B. (2016). “Feature engineering strategies for credit card fraud detection”. Expert Systems with Applications, 51,PP: (134-142).
Mareeswari, V., & Gunasekaran, G. (2016, February). “Prevention of credit card fraud detection based on HSVM”. In 2016 International Conference on Information Communication and Embedded Systems (ICICES), PP: ( 1-4). IEEE.
Hegazy, M., Madian, A., & Ragaie, M. (2016). “Enhanced fraud miner: credit card fraud detection using clustering data mining techniques”. Egyptian Computer Science Journal (ISSN: 1110–2586), 40(03).
Duman, E., & Sahin, Y. (2016). “A comparison of classification models on credit card fraud detection with respect to cost-based performance metrics”. Use of Risk Analysis in Computer-Aided Persuasion. NATO Science for Peace and Security Series E: Human and Societal Dynamics, 88, PP: 88-99.
Xu, J., Chen, D., & Chau, M. (2016, September). “Identifying features for detecting fraudulent loan requests on P2P platforms”. In 2016 IEEE Conference on Intelligence and Security Informatics (ISI), PP: (79-84). IEEE.
Albashrawi, M., & Lowell, M. (2016). “Detecting financial fraud using data mining techniques: A decade review from 2004 to 2015”. Journal of Data Science, 14(3), PP: (553-569).
Zareapoor, M., & Shamsolmoali, P. (2015). “Application of credit card fraud detection: Based on bagging ensemble classifier”. Procedia computer science, 48(2015), PP: (679-685).
Shimpi, P. R., & Kadroli, V. (2015). “Survey on credit card fraud detection techniques”. International Journal Of Engineering And Computer Science, 4(11).
Prakash, A., & Chandrasekar, C. (2015). “An optimized multiple semi-hidden markov model for credit card fraud detection”. Indian Journal of Science and Technology, 8(2), 176.
Singh, P., & Singh, M. (2015). “Fraud detection by monitoring customer behavior and activities”. International Journal of Computer Applications, 111(11).
Nune, G. K., & Sena, P. V. (2015). “Novel artificial neural networks and logistic approach for detecting credit card deceit”. International Journal of Computer Science and Network Security (IJCSNS), 15(9), 21.
Bahnsen, A. C., Aouada, D., Stojanovic, A., & Ottersten, B. (2015, December). “Detecting credit card fraud using periodic features”. In 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), PP: (208-213). IEEE.
Mittal, S., & Tyagi, S. (2020). “Computational Techniques for Real-Time Credit Card Fraud Detection”. In Handbook of Computer Networks and Cyber Security, PP: (653-681). Springer, Cham.
Cheng, D., Xiang, S., Shang, C., Zhang, Y., Yang, F., & Zhang, L. (2020, April). “Spatio-Temporal Attention-Based Neural Network for Credit Card Fraud Detection”. In Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 34, No. 01, PP: (362-369).
Singla, A., & Jangir, H. (2020, February). “A Comparative Approach to Predictive Analytics with Machine Learning for Fraud Detection of Realtime Financial Data”. In 2020 International Conference on Emerging Trends in Communication, Control and Computing (ICONC3), PP: ( 1-4). IEEE.
Sudha, C., & Akila, D. (2020).” Credit Card Fraud Detection Using AES Technic”. In Intelligent Computing and Innovation on Data Science, PP: (91-98). Springer, Singapore.
_||_
