Detekce podvodů v platbách kreditní kartou

Abstract

Vývoj informačních technologií pomalu posouvá část našeho každodenního života do elektronické podoby. Globální povaha internetu spolu s jeho anonymitou z něj činí ideální nástroj pro páchání podvodů, což každoročně vede k obrovským finančním ztrátám. Přestože prevence je nejlepším způsobem, jak podvodům zabránit, s dostatkem času útočníci obvykle najdou způsoby, jak obejít tato opatření. Metody pro odhalení podvodu jsou tedy nezbytné, pokud se chceme, poté co selže prevence, s podvodníky vypořádat. V této práci předkládáme \textit{unsupervised} metodu pro detekci podvodů kreditní kartou, založenou na zobrazení dat do prostoru o nízké dimenzi. Klasifikátor se skládá ze dvou komponent, jmenovitě autoenkodéru (neuronové sítě) a metody pro selekci atributů. Autoenkodér je použit k vypočtení rekonstrukční chyby ve formě matice, která se dále použije pro selekci atributů. Aktualizovaná rekonstruční chyba je poté použita k odhalení podvodných transakcí. Experimentální výsledky tétoarchitektury jsou prezentovány a diskutovány.

The developments in the Information Technology slowly shift a portion of our every day life into an electronical form. The global nature of Internet along with its anonymity make it an ideal instrument for committing a fraud, resulting in huge financial losses every year. Although prevention is the best way to reduce fraud, with enough time, fraudsters will usually find ways to circumvent these measures. Methodologies for the detection of fraud are therefore essential if we are to catch fraudsters once prevention has failed. In this work we present an unsupervised method for credit card fraud detection, based on projecting the dataset into low dimensional representation and consecutive reconstruction. The fraud detection system consists of two components, namely an autoencoder neural network and a feature scaling technique. Autoencoder is used to compute the reconstruction error matrix, which is then further utilized in the feature scaling and selection component. An updated reconstruction error is thereafter used to detect fraudulent transactions. The experimental results of proposed architecture are presented and discussed.