Fraud detection using deep neural networks

Abstract

Müşterilerine çok kanallı uygulamalarla hizmet veren finansal kuruluşlar zaman zaman dolandırıcıların hedefi olabilmektedir. Vakaların engellenmesi için işlemlerin işlem anında kural tabanlı yaklaşımlar veya makine öğrenmesi gibi yöntemler kullanılarak kontrol edilmesi gerekir. Kural tabanlı yaklaşımlar yaygın olmasına rağmen, derinlemesine iş bilgisi gerektirirler ve bu yaklaşımlarda genellikle kurallar dolandırıcılık olayları meydana geldikten sonra oluşturulur. Makine öğrenimi, insanlar tarafından tanımlanması zor olan belirli dolandırıcılık desenlerini yakalayarak vakaların gerçekleşmeden önce tespit edilmesine yardımcı olabilir. Ancak, bu alanda makine öğrenimini uygulamak, farklı türde problemlerle başa çıkabilmeyi gerektirir. Araştırmalar için halka açık veri setlerinin az olması, dengesiz sınıf dağılımı, dengeli metriklere sahip ve genelleme kapasitesi yüksek model gereksinimleri bunlardan bazılarıdır. Finansal işlem dolandırıcılığı tespiti problemi, ciddi anlamda sınıf dengesizliği olan veri kümeleriyle çalışmayı gerektirirken, ayrıştırıcı modeller ile yapılan çalışmalarda genellikle model eğitiminden önce sınıf dengesizliği ele alınmaktadır. Otomatik kodlayıcılar gibi üretken modeller, veri dengesizliği olan anormallik tespit problemlerinde yaygın olarak kullanılmaktadır. Ancak bu modeller, yeniden üretim hata eşikleri ve aşırı öğrenme veya aşırı genelleme sorunları ile başa çıkmayı gerektirmektedir. Bu tezde bir denetimli otokodlayıcı yapay sinir ağı modeli önerilmiş, herhangi bir öznitelik seçimi veya veri dengeleme gibi yöntemlere başvurulmadan, çeşitli girdi dönüşüm yöntemleri ve budama teknikleri kullanılarak deneyler yapılmış, elde edilen sonuçlar önceki araştırmalarda kullanılan temel metrikler ile karşılaştırıldığında kayda değer sonuçlar elde edildiği görülmüştür. PCA ve UMAP gibi boyut küçültme teknikleri kullanılarak önerilen yöntemin modellerin indirgenmiş gizli uzaylarına etkisi gözlemlenmiştir. Türkiye'nin önde gelen katılım bankalarından birinin banka kartı işlemlerini de içeren hem özel hem de açık veri setleri kullanılarak deneyler yapılmıştır.Financial institutes which serve their customers via multi-channel applications, suffer from catastrophic failures when they are targeted by fraudsters. Preventing fraud events requires controlling the transactions with different techniques such as rule-based or machine-learning approaches. Rule-based approaches are common but require in-depth business knowledge and are usually experienced after fraud events occur. Machine learning can help detect fraudulent events by capturing specific patterns that are hard for humans to recognize. However, applying machine learning in this domain requires dealing with different types of problems such as lack of public data, imbalanced class distribution, and well-generalizing model requirements with balanced metrics. While fraud detection problem involves dealing with datasets with significant class imbalance, discriminative models usually require handling class imbalance before model training. Generative models such as autoencoders are widely used in anomaly detection problems with serious data imbalance. However, these models require coping with reconstruction thresholds, over-fitting, and over-generalization problems. In this thesis, a supervised autoencoder neural network architecture is proposed. Without using any data-balancing techniques or applying feature selection steps, by combining the power of generative and discriminative models and applying various input transformations and pruning techniques, significant results are achieved in terms of key metrics when compared to the results reported in previous research. Dimension reduction techniques such as PCA and UMAP are used to visualize the effect of the proposed method on the reduced latent spaces of the models. Experiments are conducted by using both public and private datasets including debit card transactions from one of the leading participation banks in Turkey.