БАЛАНСУВАННЯ ДАНИХ У НЕЙРОМЕРЕЖЕВИХ СИСТЕМАХ ВИЯВЛЕННЯ ФІНАНСОВОГО ШАХРАЙСТВА

Автор(и)

  • Гліб Валерійович Пекуровський Автор
  • Єгор Валерійович Пекуровський Автор

DOI:

https://doi.org/10.60022/3(6)-19S

Ключові слова:

нейронна мережа, шахрайство у банківській сфері, дисбаланс класів, SMOTE, зважені класи, андерсемплінг, WDE

Анотація

У роботі досліджується проблема виявлення шахрайських банківських транзакцій в умовах критичного дисбалансу класів. Порівнюються чотири стратегії балансування навчальної вибірки: базова (без балансування), зважені класи, метод SMOTE та випадковий андерсемплінг. Класифікацію виконує нейронна мережа у формі багатошарового перцептрона (MLP). Запропоновано метрику зваженої ефективності виявлення (Weighted Detection Efficiency, WDE), що нормалізує якість моделі з урахуванням коефіцієнта дисбалансу класів і дозволяє коректно порівнювати методи балансування між собою. Результати експериментів показали, що найвище значення WDE демонструє базова модель без балансування, однак вона суттєво програє за повнотою за повнотою виявлення шахрайств. Оптимальним балансом між прецизійністю і повнотою характеризується метод SMOTE.

Посилання

1. Payment Card Fraud Worldwide. Nilson Report. 2025. Vol. 1298. URL: https://nilsonreport.com/newsletters/1298 (дата звернення: 23.04.2026).

2. Шахрайство з платіжними картками у 2025 році: кількість випадків знизилася, сума збитків — зросла. Національний банк України. URL: https://bank.gov.ua/ua/news/all/shahraystvo-z-platijnimi-kartkami-u-2025-rotsi-kilkist-vipadkiv-znizilasya-suma-zbitkiv--zrosla (дата звернення: 23.04.2026).

3. CNP Fraud Prevention for Issuers. Nilson Report. URL: https://nilsonreport.com/articles/cnp-fraud-prevention-for-issuers (дата звернення: 23.04.2026).

4. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge : MIT Press, 2016. 800 p.

5. Dal Pozzolo A., Caelen O., Johnson R. A., Bontempi G. Calibrating Probability with Undersampling for Unbalanced Classification. 2015 IEEE Symposium Series on Computational Intelligence (SSCI). Cape Town, South Africa, 2015. P. 159–166. DOI: https://doi.org/10.1109/SSCI.2015.33 (дата звернення: 23.04.2026).

6. He H., Garcia E. A. Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering. 2009. Vol. 21, No. 9. P. 1263–1284. DOI: https://doi.org/10.1109/TKDE.2008.239 (дата звернення: 23.04.2026).

7. Chawla N. V., Bowyer K. W., Hall L. O., Kegelmeyer W. P. SMOTE: Synthetic Minority Over- sampling Technique. Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321–357. DOI: https://doi.org/10.1613/jair.953 (дата звернення: 23.04.2026).

8. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.

9. Lemaître G., Nogueira F., Aridas C. K. Imbalanced-learn: A Python Toolbox to Tackle the Curse of Imbalanced Datasets in Machine Learning. Journal of Machine Learning Research. 2017. Vol. 18, No. 17. P. 1–5.

10. Phua C., Lee V., Smith K., Gayler R. A Comprehensive Survey of Data Mining-based Fraud Detection Research // arXiv. 2010. DOI: https://doi.org/10.48550/arXiv.1009.6119 (дата звернення: 23.04.2026).

11. Ling C. X., Li C. Data Mining for Direct Marketing: Problems and Solutions. Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining (KDD-98). New York, USA, 1998. P. 73–79.

12. Wang C., Nie C., Liu Y. Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data. Proceedings of the International Conference on Management Innovation and Economic Development (MIED 2025). 2025. DOI: https://doi.org/10.2991/978-94-6463-835-6_65 (дата звернення: 23.04.2026).

13. Credit Card Fraud Detection Dataset / U. L. Leborgne, G. Bontempi; Machine Learning Group, Université Libre de Bruxelles. Kaggle, 2023. – URL: https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud

(дата звернення: 23.04.2026).

Завантаження

Опубліковано

2026-06-01

Номер

Том 3 № 6 (2026): АКТУАЛЬНІ ПРОБЛЕМИ СТАЛОГО РОЗВИТКУ

Розділ

Статті

Ліцензія

Авторське право (c) 2026 Гліб Валерійович Пекуровський, Єгор Валерійович Пекуровський (Автор)

Creative Commons License

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.

Як цитувати

Пекуровський, Г. В., & Пекуровський, Є. В. (2026). БАЛАНСУВАННЯ ДАНИХ У НЕЙРОМЕРЕЖЕВИХ СИСТЕМАХ ВИЯВЛЕННЯ ФІНАНСОВОГО ШАХРАЙСТВА. Актуальні проблеми сталого розвитку, 3(6), 170-181. https://doi.org/10.60022/3(6)-19S