क्रेडिट कार्ड धोखाधड़ी पहचान एक कठिन समस्या बनी हुई है। यह immense वर्ग असंतुलन और धोखाधड़ी behavior की विकसित होती प्रकृति के कारण। पारंपरिक मशीन लर्निंग विधियाँ, जिनमें सपोर्ट वेक्टर मशीन (SVMs) और यहाँ तक कि एक साधारण गहरी लर्निंग मॉडल शामिल हैं, अक्सर प्रयोग किए गए एल्गोरिदम के पैमानों के प्रति संवेदनशील होती हैं, स्केलिंग समस्याओं द्वारा बाधित होती हैं, और डेटा रिसैंपलिंग पर अत्यधिक निर्भर होती हैं। इन कमियों को दूर करने और ऑप्टिमाइजेशन-आधारित लर्निंग को लागू करने के लिए, वर्तमान पेपर एक नया हाइब्रिड ढांचा पेश करेगा जो कुकू ऑप्टिमाइजेशन एल्गोरिदम (COA) की तुलना कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) से करेगा। COA एक ऑप्टिमाइज़र है जो दो-तरफा है, और इसे स्वचालित हायपरपैरामीटर ऑप्टिमाइजेशन या मेटाह्यूरिस्टिक फीचर चयन के रूप में लागू किया जा सकता है ताकि मॉडल बिना आवश्यकतः आक्रामक ओवरसैंपलिंग या जटिल नेटवर्क संरचनात्मक रूपों के बहुत अधिक भेदभावपूर्ण हो सके। प्रदान की गई रणनीति को कागल क्रेडिट कार्ड धोखाधड़ी पहचान डेटा सेट पर कड़ी मेहनत से प्रशिक्षित किया गया और प्रदर्शन का मूल्यांकन करने के लिए प्रिसिजन, रिकॉल, F1-स्कोर, और ROC-AUC मैट्रिक्स का उपयोग किया गया। जैसा कि प्रयोग के परिणाम बताते हैं, COA-CNN का अत्याधुनिक ROC-AUC 0.990 है और मॉडल पहचान और गणनात्मक प्रदर्शन के संबंध में अधिक संतुलित है। यह जानकारी दिखाती है कि प्रकृति-प्रेरित मेटाह्यूरिस्टिक ऑप्टिमाइजेशन गहरी लर्निंग पर आधारित वित्तीय सुरक्षा प्रणालियों की लचीलापन और स्केलेबिलिटी बढ़ाने में कुशल है।
अल-ताई एट अल। (सन,) ने इस प्रश्न का अध्ययन किया।