ОБНАРУЖЕНИЕ АНОМАЛИЙ В ФИНАНСОВЫХ ТРАНЗАКЦИЯХ С ПОМОЩЬЮ АВТОЭНКОДЕРОВ

Аннотация

В данной работе рассматривается задача выявления подозрительных финансовых транзакций с использованием нейросетевых автоэнкодеров. Подобные транзакции зачастую могут быть индикатором мошеннической активности, что делает проблему их своевременного обнаружения критически важной для систем финансовой безопасности. Вначале проведён обзор существующих подходов к детектированию аномалий, включая классические статистические методы и современные алгоритмы машинного обучения. Отмечается, что большинство традиционных моделей сталкиваются с трудностями при работе с данными, в которых наблюдается существенный дисбаланс классов, характерный для финансовых операций (мошеннические транзакции составляют крайне малую долю от общего объёма).
На этом фоне использование автоэнкодеров представляется целесообразным решением. Данный тип нейронных сетей позволяет строить компактное внутреннее представление нормальных данных, а затем выявлять аномалии на основе величины ошибки восстановления. В исследовании применён полносвязный симметричный автоэнкодер, обученный на открытом наборе данных транзакций. Результаты экспериментов показывают, что предложенная модель способна эффективно выделять отклонения от типичного поведения. Чтобы подтвердить качество разработанного метода, был проведён сравнительный анализ с признанными подходами, такими как метод изолирующего леса и логистической регрессии. Анализ показал, что использование нейронных сетей позволяет значительно повысить точность выявления подозрительных транзакций, что свидетельствует о перспективности внедрения такого подхода на практике. Исследование подчёркивает важность интеграции моделей автоэнкодинга и глубокого обучения для эффективного решения проблем финансового мониторинга. Практическое применение полученных результатов открывает возможности для совершенствования существующих механизмов предотвращения мошенничества, наделяя их способностью оперативно
реагировать на появление новых форм противоправных действий.