Improving fraud detection accuracy with smote and gan based augmentation: A case study in credit card transactions
Kredi kartı işlemlerinde smote ve gan tabanlı çoğaltma ile dolandırıcılık tespit doğruluğunu artırma: Bir vaka çalışması
- Tez No: 951553
- Danışmanlar: YRD. DOÇ. DR. MUHAMMED DAVUD
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, kredi kartı dolandırıcılığı tespitinde dengesiz veri sorununu, Üretici Çekişmeli Ağlar (GAN) ve Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) yöntemlerini birleştiren yeni bir yaklaşımla ele almaktadır. Veri ön işleme için Avrupa Kart Sahipleri 2013 veri seti üzerinde Temel Bileşen Analizi (PCA) uygulanmış ve bilgi kazancı yöntemi ile özellik seçimi yapılmıştır. Adaptive GAN-SMOTE (AG-SMOTE) modeli geliştirilmiş ve geleneksel dolandırıcılık tespit teknikleri ile karşılaştırılmıştır. Özellikle dolandırıcı işlemleri ayırt etmede duyarlılık (recall), kesinlik (precision) ve F1-Skoru üzerinde durulmuştur. Deneysel olarak, AG-SMOTE modeli, daha yüksek duyarlılık ve kesinlik ile F1-Skoru arasında daha uygun bir denge sağlayarak, sınıf dengesizliği koşullarında dolandırıcılık tespit performansını önemli ölçüde artırmıştır. Bu çalışma ayrıca zaman duyarlı, gerçek zamanlı dolandırıcılık tespiti çözümlerinde yeni bir hibrit yaklaşım sunmakta ve GAN mimarileriyle hesaplama verimliliğini geliştirmek için gelecek için umut verici yollar önermektedir.
Özet (Çeviri)
This thesis discusses the imbalanced data problem in credit card fraud detection through a novel approach that combines Generative Adversarial Networks (GAN) and the Synthetic Minority Over-sampling Technique (SMOTE). We apply Principal Component Analysis (PCA) for data preprocessing using the European Cardholders 2013 dataset, and select features using information gain. We develop an Adaptive GAN-SMOTE (AG-SMOTE) model and compare it to traditional fraud detection techniques, emphasizing recall, precision, and F1-Score when differentiating fraudulent transactions specifically. Experimentally, AG-SMOTE significantly improves fraud detection scores, especially with class-imbalance, by generating higher recall, and a more favorable balance between precision and F1-Score. This study utilizes a novel hybrid solution to the second threat in the field, time-sensitive, real-time fraud detection solutions, and we provide promising future pathways for improving computational efficiency with GAN architectures.
Benzer Tezler
- Train set complexity tunning for imbalance learning
Dengesiz öğrenme için eğitim seti karmaşıklığının ayarlanması
MEHMET ULAŞ
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. MEHMET ALİ ERGÜN
- Ayrıklaştırma ve optimizasyon yaklaşımları ile sınıflandırma algoritmalarının performansının iyileştirilmesi
Improving the performance of classification algorithms with discretization and optimization approaches
MOHAMMED HUSSEIN IBRAHIM IBRAHIM
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET HACIBEYOĞLU
- AI and market efficiency: Enhancing predictive accuracy in financial markets
Yapay zeka ve piyasa etkinliği: Finansal piyasalarda tahmin doğruluğunun artırılması
FARKHAN DADASHOV
Yüksek Lisans
İngilizce
2026
Maliyeİstanbul Gelişim ÜniversitesiEkonomi ve Finans Ana Bilim Dalı
PROF. DR. MURAT AKKAYA
- Improving operational efficiency ofgovernment using artificialintelligence
Operasyonel verimliliğin iyileştirilmesiyapay kullanan devletzeka
SAIF SALAM IBRAHIM AL-WITWIT
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ