Нейронные сети в антифрод-моделировании

Размещено на сайте 28.04.2018

В связи с дефицитом научных исследований и отставанием антифрод-моделирования от отрасли в целом антифрод-специалистам необходимо научиться применять подход transfer learning, то есть использовать в антифрод-задачах уже известные архитектуры нейронных сетей, разработанные для других задач. В этой статье мы рассмотрим несколько таких идей и разберем, как можно использовать в антифроде популярные нейросетевые архитектуры.

Сергей АФАНАСЬЕВ, КБ «Ренессанс Кредит» (ООО), исполнительный директор, начальник управления расследования мошенничества

Приводятся извлечения из статьи. Полную версию материала читайте в журнале. Подписаться

Выборки в антифрод-задачах очень часто гипернесбалансированные, что накладывает ограничения на методы моделирования и метрики оценки качества моделей: нельзя использовать Accuracy; нежелательно использование Gini и AUC ROC; лучше всего использовать Recall, F-score (F1) и другие метрики, разработанные под конкретную задачу.

Сверточные нейронные сети могут легко решить проблему оптималь- ного отбора в антифрод-моделировании. Для этого выборку нужно преобразовать в набор изображений (где строка — это триггер, а сама картинка — набор триггеров) и обучить сверточную нейронную сеть на этом наборе картинок.

В банковском антифроде мошеннические действия часто имеют нетипичное поведение, то есть описываются нетипичной последовательностью данных. А это значит, что для выявления таких паттернов поведения можно использовать рекуррентные нейронные сети.

Выбрать	Риски	Бухучет и налоги	Кредитный департамент	Управление банком
направление:	Розница	Внутренний контроль	Операционный департамент	Юридическая работа

О компании	Контакты	Авторам		Для клиентов (Как скачать закрывающие документы)
Помощь	Реклама	Подписным агентствам