Automation of technological and business processes

ISSN-print: 2312-3125
ISSN-online: 2312-931X
ISO: 26324:2012
Архiви

ЗГОРТКОВА НЕЙРОМЕРЕЖА ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ ОПЕРАЦІЙ З КРЕДИТНИМИ КАРТКАМИ

##plugins.themes.bootstrap3.article.main##

О. В. Корнієнко
С. О. Субботін

Анотація

В роботі вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі згорткових нейронних мереж. Запропоновано архітектуру згорткової нейронної мережі, що може використовуватися для даних, в яких вхідні значення не пов’язані між собою. В запропонованій архітектурі в якості першого шару використовується повнозв’язний шар. Завдяки цьому в процесі навчання нейронної мережі між вихідними значеннями нейронів першого шару можуть з’явитись зв’язки, що необхідні для роботи наступних згорткових шарів. Як і в звичайних згорткових нейромережах, згорткові шари можуть чергуватися із шарами підвибірки, але при цьому використовується одновимірна згортка. Після згорткових шарів використовуються повнозв’язні. В якості функції активації останнього шару використовується функція softmax, що дозволяє визначати ймовірності належності розпізнаваного екземпляра до кожного з класів. Вирішено практичне завдання виявлення шахрайських операцій з кредитними картками. Виконано побудову нейромережевих моделей, їх навчання та тестування на даних за транзакціями протягом 2 діб. Зазвичай кількість шахрайських операцій складає невелику частину від усіх операцій, тому метрика точності (accuracy) не може використовуватися для оцінки якості побудованої моделі. Для цього використано метрику AUPRC, що розраховується як площа під кривою залежності значень precision та recall. Завдяки використанню функції активації softmax на останньому шарі нейромережі, побудувати туку криву набагато простіше, ніж при використанні інших функцій активації. Порівняно результати тестування всіх побудованих моделей. За результатами тестування визначено, що якість запропонованої моделі вища, але на її навчання поребується більше часу.

Ключові слова:
вибірка, навчання, нейронна мережа, згортка, помилка, градієнт, виключення, ймовірність, перехресна ентропія

##plugins.themes.bootstrap3.article.details##

Як цитувати
Корнієнко, О., & Субботін, С. (2019). ЗГОРТКОВА НЕЙРОМЕРЕЖА ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ ОПЕРАЦІЙ З КРЕДИТНИМИ КАРТКАМИ. Automation of Technological and Business Processes, 11(3), 65-74. https://doi.org/10.15673/atbp.v11i3.1503
Розділ
АВТОМАТИЧНІ І АВТОМАТИЗОВАНІ СИСТЕМИ УПРАВЛІННЯ ТЕХНОЛОГІЧНИМИ ПРОЦЕСАМИ

Посилання

[1] Russell S. J. Artificial intelligence: a modern approach / S. J. Russell - Pearson, 2010. - 1152 p.
[2] Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 781 p.
[3] Haykin S. Neyronnyie seti: polnyiy kurs. Moskva: Vilyams, 2006. 1104 p.
[4] Kumar K. V. Neural networks and fuzzy logic. S. K. Kataria & Sons, 2016. 300 p.
[5] CS231n: Convolutional Neural Networks for Visual Recognition. [Electronic resource]. - Access mode: http://cs231n.github.io
[6] Bertsekas D. P. Convex Optimization Theory. Athena Scientific, 2009. 256 p.
[7] Nielsen M. Neural Networks and Deep Learning. Determination Press, 2015. 216 p.
[8] Louizos C., Welling M., Kingma D. P. Learning sparse neural networks through L0 regularization. Internation. Conf. on Learning Representations, 2018.
[9] Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. 2014. 15. P. 1929−1958.
[10] Caruana R., Lawrence S., Giles L. Overfitting in Neural Nets: Backpropagation, Conjugate Gradient, and Early Stopping. Neural information processing systems conference, 2000. https://doi.org/10.1109/IJCNN.2000.857823
[11] Credit Card Fraud Detection. [Electronic resource]. - Access mode: https://www.kaggle.com/mlg-ulb/creditcardfraud
[12] Abdi. H. & Williams, L.J. Principal component analysis. [Electronic resource]. - Access mode: https://arxiv.org/pdf/1108.4372.pdf
[13] Keilwagen, J., Grosse, I., Grau, J. Area under precision-recall curves for weighted and unweighted data. PLoS One, 2014. https://doi.org/10.1371/journal.pone.0092209
[14] Ting, Kai Ming. Encyclopedia of machine learning. Springer, 2010. 45p