Geri Dön

Comparison of machine learning and deep learning methods for fraud detection

Dolandırıcılık tespiti konusunda makine öğrenmesi ve derin öğrenme metodlarının karşılaştırılması

  1. Tez No: 880356
  2. Yazar: CAN AKKAYA
  3. Danışmanlar: DOÇ. DR. DIONYSIS GOULARAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

Günümüzde, kredi kartı işlemleri ve çevrimiçi ödeme yöntemleri dahil dijital ödeme yöntemlerindeki artış, finansal işlemlerin kolaylığını artırırken, paralel olarak dolandırıcılık faaliyetlerinde ciddi bir artışa neden olmaktadır. Bu durum finansal güvenilirliği ve müşteri güvenini ciddi şekilde tehdit etmekte ve dolandırıcılık faaliyetlerinin hızlı bir şekilde tespit edilip engellenmesinin önemini vurgulamaktadır. Dolandırıcılık faaliyetlerinin karmaşık ve hızla gelişen doğası nedeniyle, bu faaliyetleri hızla tespitca tespit etmek için yeni ve gelişmiş çözümler gerekmektedir. Bu alanda en önemli çözümler makine öğrenmesi ve derin öğrenme modelleridir. Çalışmamızda üç veri kümesi kullanılmıştır: gerçek dünya Avrupa Kart Sahipleri veriseti, sentetik BAF veriseti ve karmaşık, gerçek dünya IEEE/CIS veriseti. Her veri seti, üç farklı makine öğrenimi modeli ve tablo verileri ile çalışacak şekilde uyarlanmış evrişim modelleri de dahil olmak üzere altı farklı derin öğrenme modeli kullanılarak sınıf ağırlığı, fazla örnekleme ve herhangi bir dengesizlik olmadan üç farklı formda çalıştırıldı. Performans verileri Alıcı Çalışma Karakteristiği Eğrisi Altındaki Alan (ROC-AUC), Dengeli Doğruluk, Hassasiyet-Geri Çağırma Eğrisi Altındaki Alan (PR-AUC) ve Matthews Korelasyon Katsayısı (MCC) metrikleri kullanılarak ölçüldü ve sonuçların değerlendirmeleri Dengeli Doğruluk metriği üzerinden yapıldı. Çalışmamız şu ana dek kredi kartı fraud tespiti konusunda yapılmış en kapsamlı çalışmalardan biri olarak öne çıkmaktadır. Bulgularımız, dolandırıcılık tespiti için geçerli olup, dengesiz veri kümelerinin yaygın olduğu hastalık teşhisi, siber güvenlik, sigortacılık ve görüntü tanıma gibi sektörler için önemli sonuçlar taşımaktadır. Çalışmamızda, farklı veri tipleri ile eğitilen çeşitli modeller kullanılarak, gelecekteki araştırmalar için doğru verilerin doğru modelle kullanımına ışık tutabilecek sonuçlar elde edilmiştir.

Özet (Çeviri)

Nowadays, the increase in digital payment methods, including credit card transactions and online payment methods, increases the convenience of financial transactions and, in parallel, causes a serious increase in fraudulent activities. This seriously threatens financial reliability and customer confidence and highlights the importance of quickly detecting and preventing fraudulent activities. Due to the complex and quickly developing nature of fraudulent activities, new and advanced solutions are required to detect these activities quickly. Machine learning and deep learning models are the most important solutions in this field. In our study, three datasets have been used: a real-world European Cardholders dataset, a synthetic BAF dataset, and a complex, real-world IEEE/CIS dataset. Each dataset was run with two different imbalance handling approaches, class weight and oversampling, and without any imbalance handling technique, across three different machine learning models and six different deep learning models, including the models based on convolutional models and adapted to work with tabular data. Performance data were measured using the Receiver Operating Characteristic Area Under Curve (ROC-AUC), Balanced Accuracy, Precision-Recall Area Under Curve (PR-AUC), and Matthews Correlation Coefficient (MCC) metrics. Our study stands out as one of the most comprehensive works to date on credit card fraud detection. Our findings are relevant for fraud detection and have significant implications for disease diagnosis, cybersecurity, insurance, and image recognition, where imbalanced datasets are also prevalent. In our study, various models were trained with different types of data, and results that can shed light on the use of the correct data with the right model for future research have been obtained.

Benzer Tezler

  1. Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti

    An application of machine learning to anomaly detection in insurance industry using strategic management approach

    AYŞE NURBANU ŞAHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. TOLGA KAYA

  2. İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti

    Anomaly detection with machine learning on air conditioning systems

    REFİK KİBAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK

    DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR

  3. Konutlarda enerji tüketimi kestirimi için derin öğrenme ve makine öğrenme yöntemlerinin karşılaştırılması

    Comparison of deep learning and machine learning methods for estimating energy consumption in houses

    EROL YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYSEL ERSOY YILMAZ

  4. Bitki hastalıklarının tespitinde geleneksel makine öğrenmesi ve derin öğrenme yöntemlerinin başarım karşılaştırması

    Performance comparison of traditional machine learning and deep learning methods in plant disease detection

    MUSA ÇETİNKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÜMİT ÇİĞDEM TURHAL

  5. Comparison of artificial neural networks and deep learning methods for predicting export prices of agricultural products

    Tarım ürünlerinin ihracat fiyatlarının tahminlenmesinde yapay sinir ağları ve derin öğrenme yöntemlerinin karşılaştırılması

    HALİT AHMET AKDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YALÇIN ÇEBİ