Применение Ансамблевых и Гибридных Моделей Машинного Обучения для Минимизации Ложноположительных Срабатываний (FPR) в Системах Обнаружения Мошенничества на Финансовых Транзакциях

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.