Enhanced credit card fraud detection using data augmentation and deep anomaly detection techniques
Veri artırma ve derin anomali tespit teknikleri kullanılarak geliştirilmiş kredi kartı dolandırıcılığı tespiti
- Tez No: 986342
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED DAVUD
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Engineering Sciences, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Anomali tespiti, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Veri artırma teknikleri, Anomaly detection, Machine learning, Machine learning methods, Data augmentation techniques
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kredi kartı dolandırıcılığının artan sıklığı, finansal kurumlar ve tüketiciler için ciddi riskler oluşturmaktadır. Bu durumun temelinde, işlemler arasındaki büyük sınıf dengesizliği yatmaktadır. Bu tez çalışması, veri zenginleştirme yöntemlerinin dolandırıcılık tespitindeki etkisini inceleyerek, Synthetic Minority Over-sampling Technique (SMOTE) ve Conditional Tabular Generative Adversarial Networks (CTGAN) yöntemlerini karşılaştırmaktadır. Dolandırıcılık ve normal işlem sınıflarının eşit oranda artırıldığı yeni bir“dengeli veri zenginleştirme”stratejisi, Random Forest, Yapay Sinir Ağları (ANN), Telafili Yapay Sinir Ağları (C-ANN) ve Destek Vektör Makineleri (SVM) sınıflandırıcıları kullanılarak değerlendirilmiştir. Çapraz doğrulama ve eşik değer ayarlama içeren kapsamlı değerlendirmeler, dengeli veri zenginleştirme yöntemlerinin dolandırıcılık tespit performansını önemli ölçüde artırdığını ortaya koymuştur; özellikle CTGAN ile hatırlama oranı temel düzeylerden (~%75) neredeyse mükemmel seviyeye (~%99,98) yükselmiştir. Random Forest ve SMOTE kombinasyonu, gerçekçi şartlar altında en yüksek genel güvenilirlik ve kararlılığı sunarak optimum Pratik performansa (AUC = %99,99) ulaşmıştır. Bulgular, veri zenginleştirmenin dengeli kullanımının, operasyonel dolandırıcılık tespit sistemlerinde kritik önem taşıdığını vurgulayarak, finansal kurumlar için net ve uygulanabilir rehberlik sağlamaktadır.
Özet (Çeviri)
The increasing prevalence of credit card fraud presents significant risks for financial institutions and consumers due to extreme class imbalance in transaction data. This thesis investigates the impact of data augmentation on fraud detection, comparing Synthetic Minority Over-sampling Technique (SMOTE) and Conditional Tabular Generative Adversarial Networks (CTGAN). A novel“balanced augmentation”strategy, equally upsampling fraud and non-fraud classes, was assessed using Random Forest, Artificial Neural Network (ANN), Compensated ANN (C-ANN), and Support Vector Machine (SVM). Rigorous evaluations involving cross-validation and threshold tuning highlighted that balanced augmentation substantially improved fraud detection performance, particularly enhancing recall from baseline levels (~75%) to near-perfect (~99.98%) with CTGAN. Random Forest combined with SMOTE delivered optimal overall reliability and stability, achieving the highest practical performance (AUC = 99.99%) under realistic conditions. Findings underscore the critical role of balanced data augmentation in operational fraud detection systems, providing clear, practical guidance for financial institutions.
Benzer Tezler
- Finans alanında veri mahremiyeti yöntemleri: Federe öğrenme ve sentetik veri üretimi
Data privacy methods in finance: Federated learning and synthetic data generation
ELİF ÖZCAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Otomatik vezne makinaları (ATMs) ve uygulamaları
Autamated teller machines (ATMs) and applications
A. C. BANU ÇAĞLAR
Yüksek Lisans
Türkçe
1994
BankacılıkMarmara ÜniversitesiBankacılık Ekonomisi ve İşletmeciliği Ana Bilim Dalı
PROF. DR. METE DOĞRUER
- Credit card fraud detection using machine learning methodology
Makina öğrenme metodoloji̇si̇ kullanilan kredi̇ karti meyve algilama
HAMZAH ALI SHUKUR AL MARSOOMI
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
Prof. Dr. SEFER KURNAZ
- Kural tabanlı şüpheli işlem önleme sistemlerinde kullanılmak üzere çizge veritabanı modeli önerisi
A graph database model proposal for use in rule based fraud transaction prevention systems
BAHADIR ESAD DEMİR
Yüksek Lisans
Türkçe
2024
BankacılıkSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL HARUN ŞAHİN
- 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