Детальная информация

Данная работа посвящена разработке интеллектуальной системы для выявления мошенничества в онлайн-финансовых транзакциях. Проведён анализ традиционных антифрод-методов и современных решений на базе машинного обучения и нейросетей, что позволило определить ключевые требования к проектируемой системе. В качестве основы была выбрана гибридная архитектура, сочетающая автоэнкодеры для оценки аномалий, LSTM-модели для анализа поведенческих последовательностей и классификатор XGBoost как мета-уровень принятия решения. Разработана и реализована модель, учитывающая временной контекст операций и устойчиво работающая на несбалансированных выборках. Проведена оптимизация гиперпараметров, реализованы механизмы визуализации, сохранения моделей и адаптации к продакшн-среде. По результатам тестирования система показала высокую точность классификации, значительно превзойдя традиционные методы. Результатом работы стала масштабируемая и интерпретируемая модель обнаружения мошенничества, демонстрирующая высокую эффективность в условиях низкой доли мошеннических операций и изменяющегося пользовательского поведения.

The subject of the graduate qualification work is: "Fraudulent transactions detection system with neural networks usage". This work focuses on developing an intelligent system for detecting fraud in online financial transactions. An analysis of traditional and modern anti-fraud approaches was conducted, identifying key requirements for the system. A hybrid architecture was proposed, combining autoencoders for anomaly detection, LSTM networks for behavioral sequence analysis, and XGBoost as a meta-classifier. The system was implemented to account for the temporal context of operations and designed to handle highly imbalanced datasets. It includes parameter optimization, visualization tools, model serialization, and readiness for deployment in production environments. Experimental results showed superior performance over traditional methods. The final result is a scalable and interpretable fraud detection model that demonstrates high accuracy and adaptability in scenarios with rare fraud occurrences and evolving user behavior.

• СПИСОК ИЛЛЮСТРАЦИЙ
• СПИСОК ТАБЛИЦ
• Введение
  • 1.1 Традиционные подходы к обнаружению мошенничества
  • 1.2 Методы машинного обучения
  • 1.3 Использование нейросетей
    • Рекуррентные нейросети (RNN) и LSTM
    • Автоэнкодеры
    • Многослойные перцептроны (MLP) и сверточные сети (CNN): почему нет?
    • Интерпретируемость и ресурсоёмкость
  • 1.4 Современные тренды и перспективы
    • Гибридные модели: синтез сильных сторон
    • Federated learning и защита данных
    • Attention-механизмы и трансформеры
    • Self-supervised learning и генеративные подходы
    • Объяснимый ИИ (Explainable AI)
    • Обобщенные перспективы
• Глава 2. Проектирование
  • 2.1 Исходные данные
  • 2.2 Структура архитектуры и логика проектных решений
    • Мотивация выбора компонентов
    • Роль автоэнкодера
    • Роль LSTM
    • Роль XGBoost
    • Общая логика взаимодействия компонентов
  • 2.3 Предобработка и формирование выборки
  • 2.4 Метрики оценки качества и критерии оптимизации
  • 2.5 Ограничения и допущения проекта
  • 2.6 Заключение
• Глава 3. Реализация
  • 3.1. Архитектура системы обнаружения мошенничества
  • 3.2. Реализация автоэнкодера для обнаружения аномалий
    • 3.2.1. Архитектура автоэнкодера
    • 3.2.2. Процесс обучения автоэнкодера
  • 3.3. Реализация LSTM-сети для анализа последовательностей
    • 3.3.1. Архитектура LSTM-модели
    • 3.3.2. Подготовка последовательных данных
    • 3.3.3. Процесс обучения LSTM
  • 3.4. Реализация ансамблевого классификатора XGBoost
    • 3.4.1. Подготовка данных для XGBoost
    • 3.4.2. Конфигурация и обучение XGBoost
    • 3.4.3. Установка порога классификации
  • 3.5. Интеграция компонентов и обучение системы
  • 3.6. Установка параметров и оптимизация гиперпараметров
    • 3.6.1. Общие параметры:
    • 3.6.2. Параметры автоэнкодера:
    • 3.6.3. Параметры LSTM:
    • 3.6.4. Параметры XGBoost:
  • 3.7. Сохранение и загрузка моделей
  • 3.8. Визуализация результатов обучения
    • 3.8.1 Автоэнкодер:
    • 3.8.2 LSTM-модель:
    • 3.8.3 Итоговая оценка:
  • 3.9. Заключение по реализации
• Глава 4. Анализ результатов
  • 4.1. Метрики классификации
  • 4.2. Матрица ошибок
  • 4.3. ROC-кривая и PR-кривая
  • 4.4. Распределение вероятностей и ошибок
  • 4.5 Сравнение реализованной модели и других анти-фрод методов
• Заключение
• Список литературы