|
| Συλλογές |
|
| Τίτλος |
Fraud detection for internet and mobile banking
|
| Εναλλακτικός τίτλος |
Ανίχνευση απάτης για internet και mobile banking
|
| Δημιουργός |
Μπουλιέρης, Πέτρος, Boulieris, Petros
|
| Συντελεστής |
Athens University of Economics and Business, Department of Informatics
Androutsopoulos, Ion
Pavlopoulos, Ioannis
Vassalos, Vasilios
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
52p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8425
|
| Περίληψη |
In recent years, internet and mobile banking platforms made it possible for clients to manage their bank accounts and make transactions from anywhere, at any time. However, despite the many benefits they offer, they also made it possible for fraudsters to gain access to a client’s account in new ways. It is crucial to customer confidence in these alternative channels that instances of fraud are detected immediately and blocked or, at least, flagged. This thesis proposes a fraud detection system to detect fraudulent transactions based on the temporal convolutional neural network architecture. The advantage of this model lies in using dilated convolutions to extract meaningful information from usage patterns. The architecture of the winning model consists of an embedding layer, a temporal convolution layer with 32 filters, dilated convolutions, batch normalization, a concatenation layer and 4 fully connected layers. The experimental results show that this model outperforms other candidate architectures that were tested in terms of precision and recall scores, and can potentially serve as a classifier, or as a screening tool to assist a human evaluator.
Τα τελευταία χρόνια, οι πλατφόρμες διαδικτυακής και κινητής τραπεζικής επέτρεψαν στους πελάτες να διαχειρίζονται τους τραπεζικούς λογαριασμούς τους και να πραγματοποιούν συναλλαγές από οπουδήποτε, οποιαδήποτε στιγμή. Ωστόσο, παρά τα πολλά οφέλη που προσφέρουν, επέτρεψαν επίσης στους απατεώνες να αποκτήσουν πρόσβαση στον λογαριασμό ενός πελάτη με νέους τρόπους. Είναι ζωτικής σημασίας για την εμπιστοσύνη των πελατών σε αυτά τα εναλλακτικά κανάλια ότι οι περιπτώσεις απάτης εντοπίζονται αμέσως και αποκλείονται ή, τουλάχιστον, επισημαίνονται. Αυτή η διατριβή προτείνει ένα σύστημα εντοπισμού απάτης για την ανίχνευση δόλιων συναλλαγών με βάση τη χρονική αρχιτεκτονική ενός νευρωνικού δικτύου. Το πλεονέκτημα αυτού του μοντέλου έγκειται στη χρήση διασταλμένων περιελίξεων για την εξαγωγή σημαντικών πληροφοριών από τα πρότυπα χρήσης των πελατών. Η αρχιτεκτονική του νικητήριου μοντέλου αποτελείται από ένα στρώμα ένθεσης, ένα χρονικό στρώμα συνέλιξης με 32 φίλτρα, διασταλμένες συνελίξεις, τυποποίηση παρτίδας, ένα στρώμα συνένωσης και 4 πλήρως συνδεδεμένα στρώματα. Τα πειραματικά αποτελέσματα δείχνουν ότι αυτό το μοντέλο ξεπερνάει άλλες υποψήφιες αρχιτεκτονικές ως προς τις μετρικές που χρησιμοποιήθηκαν και μπορούν ενδεχομένως να χρησιμεύσουν ως ταξινομητές ή ως εργαλείο διαλογής για να βοηθήσουν έναν ανθρώπινο αξιολογητή.
|
| Λέξη κλειδί |
Τραπεζικά δεδομένα
Ανίχνευση απάτης
Real time
Time series classification
Internet banking
E-banking
Fraud detection
|
| Διαθέσιμο από |
2021-03-07 00:25:04
|
| Ημερομηνία έκδοσης |
07/08/2020
|
| Ημερομηνία κατάθεσης |
2021-03-07 00:25:04
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|