Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Fraud Detection in Mobile Payment Systems using an XGBoost-based Framework
Autoři: Hájek Petr | Abedin Mohammad Zoynul | Sivarajah Uthayasankar
Rok: 2023
Druh publikace: článek v odborném periodiku
Název zdroje: Information Systems Frontiers
Název nakladatele: Springer
Místo vydání: Heidelberg
Strana od-do: 1985-2003
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Detekce podvodů v mobilních platebních systémech pomocí frameworku založeného na XGBoost Mobilní platební systémy jsou stále populárnější díky rostoucímu počtu chytrých telefonů, což zase přitahuje zájem podvodníků. Rozsáhlý výzkum proto vyvinul různé metody detekce podvodů s využitím strojového učení pod dohledem. Málokdy jsou však k dispozici dostatečná označená data a jejich detekční výkonnost je negativně ovlivněna extrémní nerovnováhou tříd v datech o finančních podvodech. Cílem této studie je navrhnout rámec detekce podvodů založený na XGBoostu a zároveň zohlednit finanční důsledky systémů detekce podvodů. Tento rámec byl empiricky ověřen na rozsáhlém souboru dat obsahujícím více než 6 milionů mobilních transakcí. Abychom prokázali účinnost navrženého rámce, provedli jsme srovnávací hodnocení stávajících metod strojového učení určených pro modelování nevyvážených dat a detekci odlehlých hodnot. Výsledky naznačují, že z hlediska standardních klasifikačních měr dosahuje nejlepších výsledků navržený semisupervizovaný souborový model integrující více neřízených algoritmů pro detekci odlehlých hodnot a klasifikátor XGBoost, zatímco největší úspory nákladů lze dosáhnout kombinací metod náhodného podvzorkování a XGBoost. Tato studie má proto finanční důsledky pro organizace, aby mohly učinit vhodná rozhodnutí týkající se implementace účinných systémů detekce podvodů. Mobilní platby; detekce podvodů; strojové učení; nevyvážená data; detekce odlehlých hodnot
eng Fraud Detection in Mobile Payment Systems using an XGBoost-based Framework Mobile payment systems are becoming more popular due to the increase in the number of smartphones, which, in turn, attracts the interest of fraudsters. Extant research has therefore developed various fraud detection methods using supervised machine learning. However, sufficient labeled data are rarely available and their detection performance is negatively affected by the extreme class imbalance in financial fraud data. The purpose of this study is to propose an XGBoost-based fraud detection framework while considering the financial consequences of fraud detection systems. The framework was empirically validated on a large dataset of more than 6 million mobile transactions. To demonstrate the effectiveness of the proposed framework, we conducted a comparative evaluation of existing machine learning methods designed for modeling imbalanced data and outlier detection. The results suggest that in terms of standard classification measures, the proposed semi-supervised ensemble model integrating multiple unsupervised outlier detection algorithms and an XGBoost classifier achieves the best results, while the highest cost savings can be achieved by combining random under-sampling and XGBoost methods. This study has therefore financial implications for organizations to make appropriate decisions regarding the implementation of effective fraud detection systems. Mobile payment; Fraud detection; Machine learning; Imbalanced data; Outlier detection