Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Tzamourani, Panagiota"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Review of machine learning methods for detection of tax evasion and avoidance
    (2025-03-26) Tzamourani, Panagiota; Τζαμουράνη, Παναγιώτα; Pagratis, Spyridon; Tzavalis, Elias; Alexopoulos, Angelos
    Η απάτη στον τομέα της ενέργειας αποτελεί μια σημαντική οικονομική απειλή, οδηγώντας σε εκτεταμένες απώλειες κάθε χρόνο. Η σημασία των νέων αλγορίθμων, οι οποίοι βασίζονται κυρίως σε τεχνικές μηχανικής μάθησης, είναι μεγάλη, καθώς συμβάλλουν στον αποτελεσματικό εντοπισμό δόλιων αγορών και πωλήσεων, μια κρίσιμη παράμετρος για την ελαχιστοποίηση των απωλειών αυτών. Παρόλο που η ανάπτυξη αποτελεσματικών αλγορίθμων εντοπισμού απάτης είναι μια δύσκολη διαδικασία λόγω προβλημάτων όπως η ανισοκατανομή των κλάσεων και η συνεχής ροή συναλλακτικών δεδομένων, παραμένει μια μέθοδος που μπορεί να συμβάλει στην αποτροπή δόλιων ενεργειών και την εξοικονόμηση εκατομμυρίων δολαρίων ετησίως. Επιπλέον, η δημόσια πρόσβαση στον τομέα αυτό είναι περιορισμένη λόγω ανησυχιών σχετικά με την ιδιωτικότητα, που απορρέουν από τα κανονιστικά πλαίσια των χρηματοπιστωτικών οργανισμών. Η παρούσα έρευνα βασίζεται σε ελληνικές επιχειρήσεις που δραστηριοποιούνται στον τομέα της ενέργειας, χρησιμοποιώντας ένα πραγματικό σύνολο δεδομένων το οποίο προσφέρει πρακτικές γνώσεις σχετικά με τις προκλήσεις στον εντοπισμό απάτης στα χρηματοπιστωτικά συστήματα. Θα αναλύσουμε το εν λόγω σύνολο δεδομένων δίνοντας έμφαση σε ποικίλες επιβλεπόμενες τεχνικές, όπως η λογιστική παλινδρόμηση (Logistic Regression), οι αλγόριθμοι δέντρων αποφάσεων (Decision Trees), τα τυχαία δάση (Random Forests) και οι τεχνικές ενισχυτικής μάθησης (Gradient Boosting) για την ανίχνευση απάτης. Η έρευνά μας επεκτείνεται επίσης στον τομέα των ημι-επιβλεπόμενων μεθόδων, περιλαμβάνοντας τεχνικές μάθησης από θετικά και μη επισημασμένα δεδομένα (PU Learning). Αυτός ο διπλός προσανατολισμός αποτελεί ένα πρωτοποριακό βήμα, καθώς όχι μόνο αναδεικνύει την κατανόηση της κάθε τεχνικής ξεχωριστά, αλλά συνδυάζει και τις δύο προσεγγίσεις. Κύριος στόχος της παρούσας έρευνας είναι να αναδείξει τον κρίσιμο ρόλο των ισχυρών τεχνικών στην αντιμετώπιση της απάτης και τη σημασία των μεθόδων μηχανικής μάθησης.