ترجمه مقاله تشخیص موثر تقلب ها و کلاهبرداری های بانکی پیشرفته آنلاین در داده های به شدت نامتوازن - نشریه اشپرینگر

قیمت خرید این محصول

۲۹,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

تشخیص موثر تقلب ها و کلاهبرداری های بانکی پیشرفته آنلاین در داده های به شدت نامتوازن

عنوان انگلیسی

Effective detection of sophisticated online banking fraud on extremely imbalanced data

صفحات مقاله فارسی

32

صفحات مقاله انگلیسی

27

سال انتشار

2013

نشریه

اشپرینگر - Springer

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

F995

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مدیریت، مهندسی فناوری اطلاعات و کامپیوتر

گرایش های مرتبط با این مقاله

بانکداری، تجارت الکترونیک، اینترنت و شبکه های گسترده، هوش مصنوعی

مجله

وب جهان گستر - World Wide Web

دانشگاه

دانشگاه تکنولوژی سیدنی، استرالیا

کلمات کلیدی

تشخیص تقلب، بانکداری آنلاین، الگوی مقابل، شبکه عصبی، داده کاوی

ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.

فهرست مطالب

چکیده
1. مقدمه
2. ویژگی های تقلب بانکی آنلاین و کارهای مرتبط
1.2. ویژگی های تقلب در بانکداری آنلاین
2.2. کار عمومی در تشخیص تقلب
3.2. تشخیص تقلب در بانکداری آنلاین
4.2. تشخیص کارت اعتباری تقلبی
5.2. تشخیص نفوذ به کامپیوتر
6.2. تشخیص تقلب از راه دور
3. بیان مسئله
4 . چارچوب سیستم
1.4. استخراج الگوی کنتراست
2.4. شبکه عصبی حساس به هزینه
3.4. جنگل تصمیم
5. رفتار بانکداری ماینینگ کانترست یا کانترست کاوی
1.5. چارچوب
5.2. مدل سازی رفتار پیچیده
3.5. گزیده ای از الگوهای رفتاری
6. خطر رفتار بانکی اینترنتی بر اساس مدل های ترکیبی
1.6. منطق
2.6. مدل منحصر به فرد به ثمر رساند خطر
1.2.6. امتیاز دهی در برابر الگوی ماینستر
2.2.6. امتیاز دهی توسط شبکه های عصبی حساس به هزینه
3.2.6. امتیاز دهی به جنگل تصمیم
3.6. ریسک با استفاده از مدل ترکیبی
7. آزمایش و ارزیابی
2.7. تنظیمات تجربی
3.7. ارزیابی عملکرد کلی
4.7. عملکرد رفتار مدل سازی کنتراست
8. نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

Sophisticated online banking fraud reflects the integrative abuse of resources in social, cyber and physical worlds. Its detection is a typical use case of the broad-based Wisdom Web of Things (W2T) methodology. However, there is very limited information available to distinguish dynamic fraud from genuine customer behavior in such an extremely sparse and imbalanced data environment, which makes the instant and effective detection become more and more important and challenging. In this paper, we propose an effective online banking fraud detection framework that synthesizes relevant resources and incorporates several advanced data mining techniques. By building a contrast vector for each transaction based on its customer’s historical behavior sequence, we profile the differentiating rate of each current transaction against the customer’s behavior preference. A novel algorithm, ContrastMiner, is introduced to efficiently mine contrast patterns and distinguish fraudulent from genuine behavior, followed by an effective pattern selection and risk scoring that combines predictions from different models. Results from experiments on large-scale real online banking data demonstrate that our system can achieve substantially higher accuracy and lower alert volume than the latest benchmarking fraud detection system incorporating domain knowledge and traditional fraud detection methods.

نمونه چکیده ترجمه متن فارسی

چکیده
تقلب در بانکداری آنلاین نشان دهنده منابع یکپارچه اجتماعی ، سایبری و دنیای فیزیکی است. این تشخیص نوعی استفاده از اینترنت و موارد گسترده با روش (W2T) است. با این حال، اطلاعات بسیار محدودی برای تشخیص تقلب پویا از رفتار مشتری واقعی در چنین محیط اطلاعاتی بسیار پراکنده و نامتوازن در دسترس می باشد، که باعث می شود تشخیص فوری و موثر بیشتر مهم و چالش برانگیز شود. در این مقاله، ما یک چارچوب آنلاین تشخیص تقلب بانکی موثر داریم که از ترکیب منابع مربوطه و شامل چندین تکنیک پیشرفته داده کاوی است. با ساخت یک بردار برای هر معامله بر اساس توالی رفتار تاریخی مشتری ، ما نرخ افتراق هر معامله موجود در برابر مشخصات رفتار مشتری را بدست می آوریم . یک الگوریتم ، کانترست ماینبر برای کاوش موثر الگوهای کانترست و تفکیک رفتار های جعلی از اصیلی معرفی شده است ، به دنبال انتخاب الگوی موثر که ترکیبی از پیش بینی مدل های مختلف و خطر است. نتایج حاصل از آزمایشات واقعی داده های بانکی آنلاین در مقیاس بزرگ نشان می دهد که سیستم ما می تواند به دقت بالاتر و حجم هشدار پایین تر از سیستم تشخیص تقلب ، معیار ترکیب دانش تخصصی و روش های تشخیص تقلب سنتی دست یابد.