使用深度强化学习计划检测信用卡欺诈交易的新方法
Abdul Qayoom1,2, Mansoor Ahmed Khuhro3, Kamlesh Kumar4
1School of Computer Science and Technology, Southwest University of Science and Technology, Mianyang, Sichuan, China.
PeerJ. Computer science
|May 3, 2024
概括
本研究引入了深度强化学习模型,用于实时检测信用卡欺诈行为. 该模型自主适应变化的交易模式,实现97.10%的验证性能.
科学领域:
- * 计算机科学,人工智能,机器学习
背景情况:
- * 在线交易对全球金融业至关重要.
- * 由于不断发展的欺诈计划和独特的,动态的用户交易模式,检测信用卡欺诈仍然是一个重大挑战.
研究的目的:
- * 探索深度强化学习 (DRL) 在检测信用卡欺诈时的应用,以改变用户行为.
- *为实时欺诈检测设计一个基于DRL的解决方案.
主要方法:
- *使用DRL算法Deep Q-Network (DQN) 来实时检测信用卡欺诈行为.
- * 通过使用公开可用的Kaggle数据集来训练和验证模型.
主要成果:
- * 通过深度学习组件实现了97.10%的验证性能.
- * 强化学习组件显示了80%的学习率.
- * 该模型自主地从历史数据中学习并适应不断变化的交易模式,而无需手动重新训练.
结论:
- * 拟议的DRL模型有效地实时检测信用卡欺诈行为.
- * 该模型能够自主适应不断变化的用户模式,为动态欺诈环境提供了强大的解决方案.


