Novel models for credit card fraud detection
Kredi kartı sahtekarlıklarının tespiti için yeni model önerileri
- Tez No: 474341
- Danışmanlar: PROF. DR. MEHMET UFUK ÇAĞLAYAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Kredi kartı sahtekarlıkları her yıl milyarlarca dolar zarara neden olmaktadır. Bunun doğal bir sonucu olarak finansal kurumlar kredi kartı sahtekarlık tespitine büyük önem vermektedirler. Finansal kurumlar kredi kartı sahtekarlık tespiti için genelde kural bazlı sistemler kullanmaktadırlar. Bu tip sistemlerde tanımlanan kurallar sahtekarlık uzmanlarının geçmiş tecrübelerinden ve sahtekarlık soruşturma sonuçlarından yararlanarak oluşturulur. Kural tanımlama manuel bir süreçtir ve bu durum önemli bir dezavantaj oluşturur. Yapay zeka modellerinde ise manuel bir süreç ihtiyacı bulunmamaktadır. Kredi kartı sahtekarlık tespiti alanında çalışan çok sayıda araştırmacı yapay zeka modellerinin sunduğu bu avantajın farkına varmıştır. Bu tezde, kredi kartı sahtekarlıklarının tespiti için yapay zeka bazlı yeni modeller öneriyoruz. İlk olarak, Kart Kullanıcısı Davranış Modeli'ni (KDM) öneriyoruz. KDM kart kullanıcısının davranış alışkanlıklarını modellemek için kredi kartı işlem tutarlarını kümeleme metodunu kullanır. KDM eğitilirken sadece gerçek işlemler kullanılır. KDM performansını artırmaya yönelik olarak dört odak noktası öneriyoruz. Bu odak noktalarını tek-kart ve çok-kart odak noktası, tatil dönemi harcamaları odak noktası, günün saatleri odak noktası ve enflasyon odak noktası olarak sıralayabiliriz. Önerdiğimiz ikinci model ise Model Topluluğunda İyimser, Kötümser ve Ağırlıklı Oylama Modeli'dir (TİKA). TİKA iyi bilinen altı yapay zeka tekniğinin bir topluluk olarak bir araya getirilmesiyle oluşturulmuştur. TİKA'yı oluşturan yapay zeka modelleri eğitilirken geçmişteki gerçek ve sahte işlemler birlikte kullanılır. TİKA'da iyimser, kötümser ve ağırlıklı oylama stratejilerini sahtekarlık tespit performansını artırmaya yönelik olarak öneriyoruz. Önerdiğimiz üçüncü model ise Harcama Alışkanlıkları Benzerlik Modeli'dir (HAB). HAB'da harcama alışkanlık benzerlik ölçütlerini sahtekarlık tespit performansını artırmak için kullanıyoruz. Türkiye'nin öncü bankalarından birinden aldığımız gerçek kredi kartı işlemlerini içeren veri kümesini kullanarak önerdiğimiz üç modelin performansını değerlendiriyor ve bu modellerin karşılaştırmalı analizini sunuyoruz.
Özet (Çeviri)
Financial institutions attach great importance to credit card fraud detection, as a natural consequence of the multi-billion dollar annual losses incurred due to credit card fraud. Rule based systems have been commonly used by financial institutions to detect credit card fraud. The rules applied in such systems are formulated based on the experience of fraud experts and the results of fraud investigations. Rule discovery is a manual process, and this fact is an important disadvantage of rule-based systems. Unlike rule-based systems, artificial intelligence models are expected to learn from past transaction data and consequently no manual process is necessary. Many researchers in the domain of credit card fraud detection have recognized this advantage offered by artificial intelligence models. In this thesis, we propose novel artificial intelligence based models for detecting credit card fraud. First, we propose Cardholder Behavior Model (CBM). CBM is an unsupervised model and uses clustering transaction amounts to represent the spending behavior of cardholders. We propose four focal points to fine-tune CBM, which are single-card versus multi-card focus, holiday season spending focus, time of day focus and inflation focus. The second model we propose is called Optimistic, Pessimistic and Weighted Voting in an Ensemble of Models (OPWEM). OPWEM is an ensemble of six well known artificial intelligence techniques, namely Decision Tree, Random Forest, Bayesian Network, Naïve Bayes, Support Vector Machine, and K*. We propose optimistic, pessimistic and weighted voting strategies in OPWEM for better detection of credit card fraud. The third model we propose is called Spending Behavior Similarity Model (SBSM). SBSM uses spending behavior similarity measures in order to improve the performance of supervised models. A dataset of real-life credit card transactions from a leading bank in Turkey has been used to evaluate the performance of three proposed models. Finally, we provide a comparative evaluation of three proposed models.
Benzer Tezler
- Kredi karti dolandiricilik tespitinde makine öğrenme algoritmalarinin karşilaştirmali analizi
Comparative analysis of machine learning algorithms for credit card fraud detection
KEMAL ÇİLBURUNOĞLU
Yüksek Lisans
Türkçe
2023
Bankacılıkİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER
- Dengesiz veri kümeleriyle sınıflandırma için kümelemeye dayalı yeni bir hibrit metodoloji
A novel hybrid methodology based on clustering for classification with imbalance datasets
ABDULLAH MARAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM EROL
- Kara para aklamanın önlenmesi için derin öğrenme
Deep learning for anti money laundering
MERT YILMAZ ÇAKIR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. YAHYA ŞİRİN
- A promotion-aware purchase decision aid for consumers
Tüketiciler için promosyona duyarlı satın alma yardımcısı
KAMİL AKHÜSEYİNOĞLU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
YRD. DOÇ. DR. PEKİN ERHAN EREN
- Makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using machine learning algorithms
SACİDE KALAYCI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK