کاهش هزینه کشف تقلب در تراکنش های کارت های اعتباری: با رویکرد هم جوشی اطلاعات (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: امروزه اکثر شرکت ها و سازمان ها، تجارت الکترونیک را برای به دست آوردن بهره وری در خدمات و محصولات خود، در زمینه هایی مانند کارت اعتباری، مخابرات، بیمه درمانی، بیمه خودرو و غیره به کار گرفته اند. از طرفی، با توجه به حجم رو به رشد تراکنش های کارت های اعتباری و انواع روش های کلاه برداری و تقلب در این کارت ها، تقاضا برای کشف تقلب در این حوزه نیز افزایش یافته است. با توجه به انواع راه کارها و الگوریتم های ارائه شده برای کاهش هزینه تقلب در تراکنش های کارت های اعتباری، هدف از این پژوهش، ارائه روشی ترکیبی و بهینه، برای کاهش هزینه تشخیص تقلب در تراکنش های کارت های اعتباری، با استفاده از هم جوشی الگوریتم های ناهمگن طبقه بندی و خوشه بندی در سطح تصمیم گیری است. روش: این پژوهش روی داده های یک مجموعه تراکنش های بانک برزیلی در بازه زمانی دو ماهه، از ۱۴ جولای ۲۰۰۴ تا ۱۲ سپتامبر همان سال انجام شده است. در این مقاله با استفاده از شبکه عصبی مصنوعی، به عنوان یک رویکرد با سرپرستی و الگوریتم خوشه بندی K نزدیک ترین همسایه، به عنوان یک رویکرد بدون سرپرستی، تابع هزینه را به دست آوردیم. همچنین با توجه به شاخص های مختلف کشف تقلب که تاکنون در ادبیات معرفی شده، شاخص هزینه کشف تقلب انتخاب و بر اساس این تابع هزینه که نخستین بار توسط گادی و همکارانش (۲۰۰۸) معرفی شد، به سنجش این شاخص ها پرداختیم. از آنجا که استفاده از تنها یک الگوریتم هزینه زیادی دارد، به منظور کاهش آن، هم جوشی الگوریتم ها به دو روش نظریه گواه دمستر – شفر و هم جوشی احتمالی پیشنهاد شده است. هر دو روش هم جوشی در سطح تصمیم استفاده شده و ورودی های ناهمگن، از دو رویکرد با سرپرستی و بدون سرپرستی با هم ترکیب شده اند. یافته ها: با توجه به الگوریتم های اجرا شده، استفاده از تنها یک الگوریتم برای به دست آوردن تابع هزینه قابل قبول، می تواند بسیار پُرهزینه باشد. در حالی که استفاده از رویکرد هم جوشی، می تواند در کاهش هزینه تأثیر بسزایی داشته باشد. هم جوشی احتمالی، در مقایسه با نظریه گواه دمستر شفر کاهش هزینه چشمگیری داشته است که هر دو این الگوریتم ها، در سطح تصمیم به کار رفته اند. هم جوشی احتمالی نسبت به شبکه عصبی مصنوعی، کاهش هزینه ای معادل ۴/۲۱ درصد و نسبت به الگوریتم K نزدیک ترین همسایه، کاهش هزینه ای معادل ۸/۳۵ درصد داشته است. نتیجه این مطالعه، در نهایت با مقاله ای که اولین بار این مجموعه داده در آن با الگوریتم سیستم ایمنی مصنوعی به کار رفته است، مقایسه شده و کاهش هزینه چشمگیری را نشان داده است. نتیجه گیری: در این مطالعه با استفاده از دو الگوریتم طبقه بندی و خوشه بندی و هم جوشی آن ها در سطح تصمیم، نشان دادیم که روش های ترکیبی در مقایسه با استفاده هر یک از الگوریتم ها به تنهایی، کاهش هزینه بیشتری خواهند داشت. همچنین هم جوشی احتمالی در مقایسه با نظریه گواه دمستر شفر، هزینه کمتری برای کشف تقلب در سیستم های مالی دارد که این نتیجه درخور توجهی برای بانک ها و مؤسسه های مالی است تا یک سیستم کشف تقلب خوب بسازند.Reducing Fraud Detection Costs in Credit Card Transactions: An Information Fusion Approach
Objective
Most companies and organizations use e-commerce to gain productivity and efficiency in their services and products in different areas such as credit cards, telecommunications, health insurance, car insurance, etc. Due to the growing volume of credit card transactions and the various methods of fraud and cheating on these cards, the demand for detecting fraud in this area is also increasing. Considering the various solutions and algorithms presented to reduce the cost of fraud detection in credit card transactions in the literature, the purpose of this research is to present a combined and optimal method to reduce the cost of fraud detection in credit card transactions for financial systems, using the fusion of heterogeneous classification and clustering algorithms at the decision-making level by using two fusion methods: Probabilistic fusion and Dempster-Shafer Evidence theory.
Methods
This study utilizes a transaction dataset from a Brazilian bank, covering two months from July 14 to September 12, 2004. Fraud detection performance is evaluated using a cost function derived from both a supervised learning approach, namely, a neural network, and an unsupervised method, the K-Means clustering algorithm. Drawing on established fraud detection metrics in the literature, the study adopts the cost function introduced by Gadi as the benchmark. Recognizing the high cost associated with using a single algorithm, the study implements two information fusion techniques—Dempster-Shafer evidence theory and probabilistic fusion—to reduce detection costs. Both fusion methods operate at the decision level, integrating heterogeneous outputs from the supervised and unsupervised models.
Results
Depending on the algorithms implemented, using only one algorithm to obtain an acceptable cost function can be very costly. While using a fusion approach can have a significant impact on cost reduction. The findings indicate that probabilistic fusion significantly outperforms the Dempster-Shafer evidence theory in minimizing the cost function. Specifically, probabilistic fusion achieves a 21.4% cost reduction compared to the artificial neural network and a 35.8% reduction relative to the K-Means algorithm. The results of this study were finally compared with a paper in which this dataset was first used with the artificial immune system (AIS) algorithm and showed a significant cost reduction.
Conclusion
In this study, two classification and clustering algorithms were utilized, and their fusion at the decision level was implemented to demonstrate that combined methods reduce the cost function more effectively than the use of individual algorithms. Furthermore, it was shown that probabilistic fusion yields a lower cost in detecting fraud within financial systems compared to the Dempster-Shafer Evidence theory. This finding is considered significant for banks and financial institutions aiming to develop effective fraud detection systems.
تبلیغات
