Применение Ансамблевых и Гибридных Моделей Машинного Обучения для Минимизации Ложноположительных Срабатываний (FPR) в Системах Обнаружения Мошенничества на Финансовых Транзакциях
DOI:
https://doi.org/10.53002/116Ключевые слова:
ансамблевые методы, блендинг, ложноположительные срабатывания, мета-классификатор, Precision, FPR.Аннотация
Статья посвящена решению проблемы высокого уровня ложноположительных
срабатываний (FPR) в системах обнаружения мошеннических транзакций. Целью
исследования является разработка и валидация гибридной модели машинного обучения на
основе архитектуры Blending (смешивание). Научная новизна работы заключается в
применении взвешенного мета-классификатора, оптимизированного для минимизации FPR
на сильно несбалансированных финансовых данных. В качестве базовых алгоритмов
использована комбинация градиентного бустинга и методов обнаружения аномалий.
Экспериментальные результаты демонстрируют, что предложенный подход обеспечивает
значимое снижение количества ложных тревог по сравнению с традиционными
одиночными моделями и методом Stacking, сохраняя при этом высокую точность (Precision)
детектирования атак.
Библиографические ссылки
Руслан Ч. Бобоназаров Проблема дисбаланса классов в задаче противодействия мошенничеству: метрики, семплирование и свёрточные нейронные сети. Безопасность информационных технологий = IT Security, Том 32, № 2 (2025)
Indra Waspada, Nurdin Bahtiar, Panji Wisnu Wirawan, Bagus Dwi Ari Awan Performance Analysis of Isolation Forest Algorithm in Fraud Detection of Credit Card Transactions. Khazanah Informatika, Vol.6, № 2 (2020)
Almalki F., Masud M. Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods. arXiv:2505.10050 (2025). https://arxiv.org/pdf/2505.10050
Chen Y., Zhao C., Xu Y., Nie C., Zhang Y. Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review. arXiv:2502.00201 (2025). https://arxiv.org/pdf/2502.00201
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 И.А. Жамел, А.С. Смагулова
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.
