Ансамбль моделей глубокого обучения с ресэмплированием данных для обнаружения мошенничества с банковскими картами

Банковские карты играют важную роль в современной цифровой экономике, а их использование в последнее время значительно возросло, что сопровождалось соответствующим увеличением числа случаев мошенничества с банковскими картами. Для обнаружения мошенничества с банковскими картами применяются алгоритмы машинного обучения (ML). Однако динамичный характер покупательских моделей держателей карт и проблема дисбаланса классов затрудняют достижение классификаторами машинного обучения оптимальной производительности. Для решения этой проблемы в статье предлагается устойчивый подход глубокого обучения, включающий нейронные сети с долговременной краткосрочной памятью (LSTM) и управляемыми рекуррентными блоками (GRU) в качестве базовых моделей в рамках стекингового ансамбля, а также многослойный перцептрон (MLP) в качестве метамодели. Одновременно для балансировки распределения классов в наборе данных применяется гибридный метод синтетической передискретизации меньшинства и редактирования ближайших соседей (SMOTE-ENN). Экспериментальные результаты показали, что объединение предложенного ансамбля глубокого обучения с методом SMOTE-ENN обеспечивает чувствительность 1,000 и специфичность 0,997 соответственно, превосходя другие широко используемые в научной литературе классификаторы и методы машинного обучения.