1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 225-234

SPIDERNET: ПОЛНОСВЯЗНАЯ СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ОБНАРУЖЕНИЯ МОШЕННИЧЕСТВА

С. В. Афанасьев 1, *, А. А. Смирнова 1, **, Д. М. Котерева 1, ***

1 Сбер
Москва, Россия

* E-mail: SVlAfanasyev@sberbank.ru
** E-mail: AnAndreeSmirnova@sberbank.ru
*** E-mail: DMKotereva@sberbank.ru

Поступила в редакцию 14.08.2023
После доработки 18.08.2023
Принята к публикации 15.10.2023

Аннотация

В этой работе мы представляем архитектуру сверточной нейронной сети SpiderNet, разработанную для решения задач детектирования мошенничества. Мы заметили, что принципы работы пулинговых и сверточных слоев в нейронных сетях похожи на методы работы аналитиков при проведении расследований. Кроме того, применяемые в нейронных сетях пропускные соединения позволяют использовать признаки различной силы. Наши эксперименты показали, что SpiderNet дает лучшее качество по сравнению с Random Forest, CNN, DenseNet и адаптированной под антифрод F‑DenseNet. В этой работе мы также предлагаем новые подходы для разработки антифрод-правил – Б-тесты и W-тесты. Программный код SpiderNet доступен по ссылке: https://github.com/aasmirnova24/SpiderNet

Ключевые слова: сверточные нейронные сети, выявление мошенничества, генерация признаков

Список литературы

  1. Bolton R.J., Hand D.J. Statistical Fraud Detection: A  Review // Statistical Science. 2002. V. 17. № 3. P. 235–255, 1999. https://doi.org/10.1214/ss/1042727940

  2. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. 2012. http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

  3. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Microsoft Research. 2015. https://arxiv.org/pdf/1512.03385v1.pdf

  4. Van den Oord A., Dieleman S., Heiga Zen, Karen Simonyan, Oriol Vinyals, Alex Graves, Nal Kalchbrenner, Andrew Senior, Koray Kavukcuoglu. Wavenet: A generative model for raw audio. 2016. arXiv preprint arXiv:1609.03499

  5. Paulus R., Caiming Xiong, Richard Socher. A deep reinforced model for abstractive summarization. 2017. arXiv preprint arXiv:1705.04304

  6. Benford F. The law of anomalous numbers // Proc. Am. Philos. Soc. March 1938. V. 78. № 4. P. 551–572. https://doi.org/10.2307/984802

  7. Raghu M., Schmidt E. A Survey of Deep Learning for Scientific Discovery. 2020. arxiv.org/abs/2003.11755

  8. Hubel D.H., Wiesel T.N. Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex” // J. Physiol. 1962. V. 160. P. 106–154. https://doi.org/10.1113/jphysiol.1962.sp006837

  9. LeCun Y., Boser B., Denker J.S., Henderson D., Ho-ward R.E., Hubbard W., Jackel L.D. Backpropagation applied to handwritten zip code recognition // Neural computation, 1989. https://doi.org/10.1162/neco.1989.1.4.541

  10. Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions. Google Inc. 2014. https://arxiv.org/pdf/1409.4842v1.pdf

  11. Tan M., QuocV.Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. 2019. arxiv.org/abs/1905.11946

  12. Kanika, Dr Jimmy Singla. A Survey of Deep Learning based Online Transactions Fraud Detection Systems. 2020. https://doi.org/10.1109/ICIEM48762.2020.9160200

  13. Wiese B.J., Omlin C. Credit Card Transactions, Fraud Detection, and Machine Learning: Modelling Time with LSTM Recurrent Neural Networks. // Innovations in Neural Information Paradigms and Applications. Springer, 2007. P. 231–268. https://doi.org/10.1007/978-3-642-04003-0

  14. Fu K., Cheng D., Tu Y., Zhang L. Credit Card Fraud Detection Using Convolutional Neural Networks // In: (eds) Neural Information Processing. ICONIP 2016. Lecture Notes in Computer Science, vol 9949. Springer, Cham, 2016. https://doi.org/10.1007/978-3-319-46675-053

  15. Heryadi Y., Harco Leslie Hendric Spits Warnars. Learning temporal representation of transaction amount for fraudulent transaction recognition using CNN, Stacked LSTM, and CNN-LSTM // IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom). 2017. https://doi.org/10.1109/CYBERNETICSCOM.2017. 8311689

  16. Li B., Xu K., Xiaoyan Cui, Yiheng Wang, Xinbo Ai, Yan-bo Wang. Multi-Scale DenseNet-Based Electricity Theft Detection. 2018. researchgate.net/publication/ 344779530_Multi-scale_DenseNet-Based_Electricity_Theft_Detection

  17. Chen Z., Liu G. DenseNet+Inception and Its Application for Electronic Transaction Fraud Detection. 2019. https://doi.org/10.1109/HPCC/SmartCity/DSS.2019.00357

  18. Cheng D., Xiang S., Shang C., Zhang Y., Yang F., Zhang L. Spatio-Temporal Attention-Based Neural Network for Credit Card Fraud Detection. 2020. https://doi.org/10.1609/aaai.v34i01.5371

  19. Dou Y., Liu Z., Sun L., Deng Y., Peng H., Yu P.S. Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters. 2020. https://doi.org/10.1145/3340531.3411903

  20. Afanasiev S. and Smirnova A. Predictive fraud analytics: B-tests. 2018. https://doi.org/10.21314/JOP.2018.213

  21. Huang G., Liu Z., Laurens van der Maaten, Kilian Q. Weinberger. Densely Connected Convolutional Networks. 2018. arxiv.org/abs/1608.06993https://doi.org/10.1109/CVPR.2017.243

  22. Saito T., Rehmsmeier M. The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. // PLoS ONE. 2015. V. 10. № 3. e0118432, March 2015. https://doi.org/10.1371/journal.pone.0118432

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал