ГИБРИДНЫЕ АНСАМБЛЕВЫЕ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СНИЖЕНИЯ УРОВНЯ ЛОЖНОПОЛОЖИТЕЛЬНЫХ СРАБАТЫВАНИЙ (FALSE POSITIVE RATE, FPR) ПРИ ОБНАРУЖЕНИИ МОШЕННИЧЕСТВА В 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
Бобоназаров Р. Ч. Проблема дисбаланса классов в задаче противодействия мошенничеству: метрики, семплирование и свёрточные нейронные сети // Безопасность информационных технологий = IT Security. 2025. Т. 32. № 2.
Waspada I., Bahtiar N., Wirawan P. W., Awan B. D. A. Performance Analysis of Isolation Forest Algorithm in Fraud Detection of Credit Card Transactions // Khazanah Informatika. 2020. Vol. 6. No. 2.
Almalki F., Masud M. Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods // arXiv. 2025. arXiv:2505.10050. Available at: 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. 2025. arXiv:2502.00201. Available at: https://arxiv.org/pdf/2502.00201.
D. Vijayanand and G. S. Smrithy, “Explainable AI-Enhanced Ensemble Learning for Financial Fraud Detection in Mobile Money Transactions,” Intelligent Decision Technologies, vol. 19, no. 1, pp. 52–67, 2025, doi: 10.1177/18724981241289751.
Aljunaid S. K., Almheiri S. J., Dawood H., Khan M. A. Secure and Transparent Banking: Explainable AI-Driven Federated Learning Model for Financial Fraud Detection // Journal of Risk and Financial Management. 2025. Vol. 18. No. 4. Art. 179. doi: 10.3390/jrfm18040179.
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.
