Модель обнаружения мошенничества при онлайн-платежах с использованием методов машинного обучения

В мире, где беспроводные коммуникации имеют критическое значение для передачи огромных объемов данных при защите от помех, растущая вероятность финансового мошенничества стала серьезной проблемой. Модель на основе управляемого рекуррентного блока (GRU), в которую встроена архитектура ResNeXt (RXT), представляет собой уникальный подход, специально разработанный для обработки данных о финансовых транзакциях в реальном времени. Необходимость противодействия растущей угрозе финансового мошенничества, создающего значительные риски для финансовых учреждений и клиентов, обусловила системный характер предлагаемого метода. Процесс начинается с ввода и предварительной обработки данных, включая устранение дисбаланса классов с помощью метода синтетической передискретизации миноритарного класса (SMOTE). Для извлечения признаков применяется ансамблевый подход, объединяющий автоэнкодеры и ResNet (EARN), что позволяет выявить ключевые закономерности в данных, тогда как конструирование признаков дополнительно повышает дискриминативные возможности модели. Основой задачи классификации служит модель RXT, гиперпараметры которой настраиваются с использованием алгоритма оптимизации Jaya (RXT-J). Модель прошла всестороннюю оценку на трех реальных наборах данных о финансовых транзакциях и стабильно превосходила существующие алгоритмы на 10–18% по различным оценочным метрикам, сохраняя при этом высокую вычислительную эффективность. Это исследование представляет собой значительный шаг вперед в борьбе с финансовым мошенничеством, обеспечивая повышение безопасности и оптимизацию эффективности финансовых транзакций. В контексте защиты от помех в беспроводных коммуникациях данная работа направлена на укрепление безопасности, доступности данных, надежности и устойчивости финансовой отрасли к атакам кибервойны.