一个AutoEncoder增强的光梯度增强机器方法用于信用卡欺诈检测.
Lianhong Ding1, Luqi Liu1, Yangchuan Wang1
1Beijing Wuzi University, Beijing, China.
PeerJ. Computer science
|December 9, 2024
概括
本研究介绍了一种自动编码器增强的LightGBM模型,用于改进信用卡欺诈检测. 这种新的方法显著提高了检测率和准确性,在识别金融异常方面表现优于现有模型.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 金融技术 金融技术
背景情况:
- 在线金融交易越来越容易受到欺诈的影响.
- 现有的机器学习方法在与大型,不平衡的财务数据集作斗争.
- 传统的评估指标不足以检测不平衡的异常.
研究的目的:
- 提出一个强大的AutoEncoder增强的LightGBM方法用于信用卡欺诈检测.
- 解决金融数据中高维度和阶级不平衡的挑战.
- 提高金融交易中异常检测的准确性和效率.
主要方法:
- 使用AutoEncoder进行特征重建以处理高维度.
- 集成了LightGBM算法,这是对梯度增强决策树 (GBDT) 的增强,用于有效检测异常.
- 采用先进的评估指标,如AUC,MCC和BCR,以及传统的评估指标.
- 研究了拟议模型与采样技术的结合,特别是SMOTE.
主要成果:
- 在两个金融数据集上,AutoEncoder-LightGBM模型显著超过了现有的方法.
- 在信用卡欺诈数据集上实现了94.85%的召回和97%的BCR.
- 在一个高维的桑坦德银行交易数据集上表现出卓越的表现,改善了回忆和F-measure.
- 与SMOTE的结合产生了最好的结果,在欺诈数据集上AUC为96.83%和F-测量为80.27%.
结论:
- 拟议的自动编码器增强的LightGBM模型为信用卡欺诈检测提供了强大而优异的解决方案.
- 该方法有效地处理大型,高维度和不平衡的金融数据集.
- 将该模型与SMOTE算法相结合,进一步提高了其性能,并被证明对异常检测有效.
