Finanzbetrugserkennung auf Basis von maschinellem Lernen: Eine systematische Literaturübersicht

Finanzbetrug, der als irreführende Taktiken zur Erlangung finanzieller Vorteile angesehen wird, ist in letzter Zeit zu einer weit verbreiteten Bedrohung für Unternehmen und Organisationen geworden. Konventionelle Techniken wie manuelle Überprüfungen und Inspektionen sind ungenau, kostspielig und zeitaufwändig bei der Identifizierung solcher betrügerischen Aktivitäten. Mit dem Aufkommen von künstlicher Intelligenz können auf maschinellem Lernen basierende Ansätze intelligent genutzt werden, um betrügerische Transaktionen durch die Analyse einer großen Menge finanzieller Daten zu erkennen. Daher versucht dieses Papier, eine systematische Literaturübersicht (SLR) zu präsentieren, die die bestehende Literatur zur betrugsdetektiven Maschine Learning (ML) systematisch überprüft und synthetisiert. Insbesondere verwendete die Überprüfung den Kitchenham-Ansatz, der gut definierte Protokolle nutzt, um relevante Artikel zu extrahieren und zu synthetisieren; anschließend werden die erzielten Ergebnisse berichtet. Basierend auf den angegebenen Suchstrategien in beliebten elektronischen Datenbankbibliotheken wurden mehrere Studien gesammelt. Nach den Ein- und Ausschlusskriterien wurden 93 Artikel ausgewählt, synthetisiert und analysiert. Die Überprüfung fasst gängige ML-Techniken zur Betrugserkennung, die häufigste Betrugsart und Evaluierungsmetriken zusammen. Die überprüften Artikel zeigten, dass Support Vector Machine (SVM) und künstliches neuronales Netzwerk (ANN) beliebte ML-Algorithmen sind, die zur Betrugserkennung eingesetzt werden, und dass Kreditkartenbetrug die häufigste Betrugsart ist, die mit ML-Techniken behandelt wird. Das Papier präsentiert schließlich die wichtigsten Probleme, Lücken und Einschränkungen in den Bereichen der Finanzbetrugserkennung und schlägt mögliche Bereiche für zukünftige Forschungen vor.