تعزيز كشف الاحتيال المالي من خلال معالجة عدم توازن الفئات باستخدام تقنيات SMOTE-GAN الهجينة

تؤدي مشكلة عدم توازن الفئات في مجموعات بيانات الاحتيال المالي غالبًا إلى توقع متحيز نحو فئة غير الاحتيال، مما يؤدي إلى أداء ضعيف في فئة الاحتيال. تستكشف هذه الدراسة آثار استخدام تقنية تكبير العينة للأقليات الاصطناعية (SMOTE) وشبكة الخصومة التوليدية (GAN) وتركيباتها لمعالجة مشكلة عدم توازن الفئات. تم تقييم فاعليتها باستخدام شبكة عصبية متقدمة (FNN) وشبكة عصبية تلافيفية (CNN) وهجينة (FNN+CNN). وجدت هذه الدراسة أنه بغض النظر عن تقنيات توليد البيانات المطبقة، يمكن أن تؤثر معاملات فرط التخصيص للمدرب على أداء التصنيف. أظهرت المقارنات بين تقنيات توليد البيانات المختلفة فاعلية SMOTE وGAN الهجينة، بما في ذلك SMOTified-GAN وSMOTE+GAN وGANified-SMOTE، مقارنةً مع SMOTE وGAN. تمكنت SMOTified-GAN وGANified-SMOTE المقترحة من الأداء بشكل متساوٍ عبر كميات مختلفة من عينات الاحتيال المولدة.