文献

J-GLOBAL ID：202202226349025170   整理番号：22A1105317

不均衡および機械学習技術による信用カード不正検出のための実験的解析【JST・京大機械翻訳】

An Experimental Analysis for Credit Card Fraud Detection with Imbalanced and Machine Learning Techniques

著者 (2件)： Anirudh G. (Department of Data Science and Analytics, Central University of Rajasthan, Ajmer, India) ,  Talukdar Upasana (Department of Data Science and Analytics, Central University of Rajasthan, Ajmer, India)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 869  ページ： 539-550  発行年： 2022年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： クレジットカード fraudは,犯罪的誤平均であり,金融機関と同様に,銀行,人間に害を引き起こす。したがって, fraudent活動を検出し,予防することは,重要である。いくつかの重要なアプローチが,異なるタイプの不正ケースを検出するために,文献で提唱された。しかし,既存の手法の多くは異なる課題に直面している。それらの中で,クラス不均衡問題は最も一般的である。この問題は,クラスにわたる観測の不均等な分布から成る。本研究では,比 fraudent性:非脆弱性は非常に小さく,これは fraud activities活動を検出する従来の分類アルゴリズムに対する挑戦である。本論文では,クラス不均衡問題に取り組むための厳密な実験的解析を示した。実験を3つのカテゴリーで実施した:(a)従来の機械学習アルゴリズムによる実験,(b)アンサンブル法による実験,および(c)不均衡データ前処理技術後の従来の機械学習アルゴリズムによる実験。不均衡データ前処理技術は,アンダーサンプリング,オーバーサンプリング,および両方の組み合わせを含む。解の性能は,F1スコア,精度,再現率,精度-再現曲線(AUPR)下の面積,および受信者操作特性曲線(AUROC)下の面積の5つの異なる尺度を用いて評価した。実験結果は,不正なケースを検出する際に改善された性能を示した。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 銀行 ,  金融機関 ,  データ ,  分類 ,  信号標本化 ,  精度 ,  クレジットカード ,  計算機アルゴリズム ,  不安定性 ,  特性曲線 ,  誤り ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： オーバサンプリング ,  不均衡 ,  分類アルゴリズム ,  アンダーサンプリング ,  不均衡データ ,  クラス不均衡 , 【Automatic Indexing@JST】

著者キーワード (4件)： 信用カード ,  フラッド ,  不均衡データ ,  機械学習

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (6件)： 均衡 ,  機械学習技術 ,  信用 ,  カード ,  不正検出 ,  実験的解析