یک روش یادگیری بدون نظارت برای تشخیص الگوهای غیرمعمول و ناهنجاری در داده های تراکنشی

چکیده مقاله

در عصر داده محور کنونی، تشخیص ناهنجاری در داده های تراکنشی نقش حیاتی در شناسایی رفتارهای غیرعادی، کشف تقلب، و ارتقاء امنیت سامانه های مالی و تجاری ایفا می کند با توجه به ماهیت پیچیده و پویا بودن تراکنش ها، استفاده از روش های یادگیری بدون نظارت به عنوان رویکردی موثر برای کشف الگوهای غیرمعمول بدون نیاز به برچسب گذاری دستی، اهمیت فزاینده ای یافته است در این پژوهش، یک چارچوب نوین مبتنی بر یادگیری بدون نظارت برای شناسایی ناهنجاری ها در داده های تراکنشی ارائه شده است الگوریتم های متنوعی از جمله جنگل جداسازی Isolation Forest ، ماشین بردار پشتیبان یک کلاسه One Class SVM و عامل دورافتاده محلی Local Outlier Factor به کار گرفته شده اند تا رفتارهای غیرعادی در داده های واقعی شناسایی شوند داده ها پس از پیش پردازش و نرمال سازی، با استفاده از معیارهای ارزیابی مانند نرخ کشف ناهنجاری، دقت و F۱ Score مورد تحلیل قرار گرفته اند نتایج تجربی نشان می دهد که روش ترکیبی، توان بالایی دقت ۹۹ ۶% در شناسایی الگوهای ناهنجار در داده های تراکنشی دارد این چارچوب می تواند به عنوان پایه ای برای توسعه سیستم های هوشمند کشف تقلب و تحلیل رفتاری در حوزه های مالی، بانکی و تجارت الکترونیک مورد استفاده قرار گیرد

کلیدواژه‌ها

نویسندگان

سارا نجفی

دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد واحد الکترونیکی

دکتر مریم تعجبیان

استادیار مهندسی کامپیوتر دانشگاه آزاد واحد مهدی شهر

دکتر سابینا نوبری

مدرس دانشگاه آزاد واحد الکترونیکی

نجفی، سارا و تعجبیان، دکتر مریم و نوبری، دکتر سابینا،1404،یک روش یادگیری بدون نظارت برای تشخیص الگوهای غیرمعمول و ناهنجاری در داده های تراکنشی،بیست و سومین کنفرانس بین المللی نوآوری و تحقیق در علوم مهندس�

ارائه‌شده در

مجموعه مقالات بیست و سومین کنفرانس بین المللی نوآوری و تحقیق در علوم مهندسی22 اسفند 1404