Bibliographic Details
| Title: |
Обнаружение мошеннических транзакций с использованием нейросетей: выпускная квалификационная работа бакалавра |
| Publisher Information: |
Санкт-Петербургский политехнический университет Петра Великого, 2025. |
| Publication Year: |
2025 |
| Subject Terms: |
autoencoder, financial transactions, neural networks, машинное обучение, anomaly detection, machine learning, автоэнкодер, выявление аномалий, мошенничество, финансовые транзакции, fraud, LSTM, нейросети, XGBoost |
| Description: |
Данная работа посвящена разработке интеллектуальной системы для выявления мошенничества в онлайн-финансовых транзакциях. Проведён анализ традиционных антифрод-методов и современных решений на базе машинного обучения и нейросетей, что позволило определить ключевые требования к проектируемой системе. В качестве основы была выбрана гибридная архитектура, сочетающая автоэнкодеры для оценки аномалий, LSTM-модели для анализа поведенческих последовательностей и классификатор XGBoost как мета-уровень принятия решения. Разработана и реализована модель, учитывающая временной контекст операций и устойчиво работающая на несбалансированных выборках. Проведена оптимизация гиперпараметров, реализованы механизмы визуализации, сохранения моделей и адаптации к продакшн-среде. По результатам тестирования система показала высокую точность классификации, значительно превзойдя традиционные методы. Результатом работы стала масштабируемая и интерпретируемая модель обнаружения мошенничества, демонстрирующая высокую эффективность в условиях низкой доли мошеннических операций и изменяющегося пользовательского поведения.
The subject of the graduate qualification work is: "Fraudulent transactions detection system with neural networks usage". This work focuses on developing an intelligent system for detecting fraud in online financial transactions. An analysis of traditional and modern anti-fraud approaches was conducted, identifying key requirements for the system. A hybrid architecture was proposed, combining autoencoders for anomaly detection, LSTM networks for behavioral sequence analysis, and XGBoost as a meta-classifier. The system was implemented to account for the temporal context of operations and designed to handle highly imbalanced datasets. It includes parameter optimization, visualization tools, model serialization, and readiness for deployment in production environments. Experimental results showed superior performance over traditional methods. The final result is a scalable and interpretable fraud detection model that demonstrates high accuracy and adaptability in scenarios with rare fraud occurrences and evolving user behavior. |
| Document Type: |
Other literature type |
| Language: |
Russian |
| DOI: |
10.18720/spbpu/3/2025/vr/vr25-2708 |
| Accession Number: |
edsair.doi...........faa1be65024ded0dbb48a45d45db39ce |
| Database: |
OpenAIRE |