ارائه مدل تشخیص تقلب بانکی مبتنی بر الگوریتمهای یادگیری ماشین: مقایسه تجربی رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی
ارائه مدل تشخیص تقلب بانکی مبتنی بر الگوریتمهای یادگیری ماشین: مقایسه تجربی رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی
پوریا طالبی عمران1
1) دانشجوی دکتری مدیریت دولتی گرایش خط و مشی گذاری، دانشگاه آزاد اسلامی واحد ساری، ساری، ایران.
کد IOI مقاله
:
AAHC-AAKFDF
محل انتشار :
کنفرانس ملی مدیریت، تجاری سازی، اقتصاد دانش بنیان و سرمایه گذاری برای تولید(impeb.ir)
چکیده :
دگرگونی صنعت بانکداری از طریق دیجیتالیسازی بدون تردید دسترسی و سهولت را برای مشتریان در سراسر جهان متحول کرده است. با این حال، این تغییر پارادایم چالشهای جدیدی را نیز به همراه آورده است که مهمترین آنها در حوزه امنیت سایبری نمایان شده است. راهبردهای متداول مبتنی بر قوانین در تشخیص تقلب، در همگامی با تکامل سریع تهدیدات سایبری ناتوان بوده و این امر موجب افزایش علاقهمندی به رویکردهای تطبیقیتر مانند یادگیری بدونناظر شده است. علاوه بر این، همهگیری کووید-۱۹ مسئله تقلب بانکی را تشدید کرده است؛ چرا که گذار گسترده به بسترهای آنلاین و افزایش تراکنشهای مرتبط با صندوقهای خیریه، فرصتهای مناسبی را برای سوءاستفاده مجرمان سایبری فراهم آورده است. در پاسخ به این دغدغههای فوری، این مطالعه به بررسی الگوریتمهای یادگیری ماشین در تحلیل و شناسایی تراکنشهای بانکی متقلبانه میپردازد. نوآوری علمی این پژوهش در توسعه مدلهایی ویژه برای این هدف و بهکارگیری تکنیکهای نوین پیشپردازش بهمنظور افزایش دقت تشخیص نهفته است. این مطالعه با بهرهگیری از مجموعهای متنوع از الگوریتمها از جمله جنگل تصادفی (Random Forest)، نزدیکترین همسایه (KNN)، بیز ساده (Naïve Bayes)، درخت تصمیم (Decision Trees) و رگرسیون لجستیک (Logistic Regression)، نتایج امیدوارکنندهای ارائه میدهد. بهویژه، مدلهای رگرسیون لجستیک و درخت تصمیم مقادیر چشمگیری از دقت و سطح زیر منحنی (AUC) را بهترتیب در حدود 0.98، 0.97 و 0.95، 0.94 نشان میدهند. با توجه به ماهیت فراگیر تقلب بانکی در جامعه دیجیتال امروز، بهکارگیری الگوریتمهای هوش مصنوعی برای تشخیص تقلب اقدامی حیاتی و بهموقع محسوب میشود که امنیت و اعتماد را در اکوسیستم مالی ارتقا میبخشد.
کلمات کلیدی : بانکداری امنیت سایبری تشخیص تقلب یادگیری ماشین تراکنش دیجیتال