сгенерировать QR код
Открытый доступ
Только для подписчиков
Оценка эффективности ансамблевых классификаторов и одиночных нейросетевых моделей для обнаружения финансового мошенничества
https://doi.org/10.34020/2073-6495-2026-2-010-028
Аннотация
Исследуется эффективность одиночных и ансамблевых классификаторов для обнаружения финансового мошенничества по данным о переводах денежных средств со счета на счет. Рассмотрены рекуррентная нейронная сеть, сверточная нейронная сеть, автоэнкодер, а также ансамблевые методы Random Forest, XGBoost и стекинг; для нейросетевых моделей дополнительно применено простое голосование. Эксперименты проведены с использованием крупного реального размеченного датасета с записями о транзакциях. Точность классификации оценивалась по метрикам Precision, Recall, F1-мера и ROC-AUC. Производительность оценивалась по времени обучения, времени классификации, использованию памяти и средней загрузке процессора. Результаты экспериментального исследования продемонстрировали, что наилучшая точность достигается при ассемблировании методом стекинга, который, однако, является наиболее ресурсоемким. При этом точность более производительных бустинга и бэггинга несколько ниже, но сопоставима со стекингом.
Об авторах
А. И. Пестунов
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Пестунов Андрей Игоревич - кандидат физико-математических наук, доцент, заведующий кафедрой информационных технологий
Новосибирск
Р. В. Самойленко
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Самойленко Роман Вадимович - аспирант
Новосибирск
Список литературы
1. World Bank. Cybersecurity in the financial sector: Annual report 2023. [Электронный ресурс]. Washington, DC: World Bank, 2023. URL: https://www.worldbank.org/en/search?q=cybersecurity+financial+sector (дата обращения: 14.12.2025).
2. Ngai E.W.T., Hu Y., Wong Y.H., Chen Y., Sun X. The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature // Decision Support Systems. 2011. Vol. 50, no. 3. P. 559–569.
3. Phua C., Lee V., Smith K., Gayler R. A comprehensive survey of data mining-based fraud detection research. [Электронный ресурс]. arXiv preprint arXiv:1009.6119. 2010. URL: https://arxiv.org/abs/1009.6119 (дата обращения: 14.12.2025).
4. Bhattacharyya S., Jha S., Tharakunnel K., Westland J.C. Data mining for credit card fraud: A comparative study // Decision Support Systems. 2011. Vol. 50, no. 3. P. 602–613.
5. West J., Bhattacharya M. Intelligent financial fraud detection: A comprehensive review // Computers & Security. 2016. Vol. 57. P. 47–66.
6. Dal Pozzolo A., Caelen O., Johnson R.A., Bontempi G. Calibrating probability with undersampling for unbalanced classification // 2015 IEEE Symposium Series on Computational Intelligence (SSCI). 2015. P. 159–166.
7. Dal Pozzolo A., Caelen O., Le Borgne Y.-A., Waterschoot S., Bontempi G. Credit card fraud detection: A realistic modeling and a novel learning strategy. [Электронный ресурс]. arXiv preprint arXiv:1505.00700. 2015. URL: https://arxiv.org/abs/1505.00700 (дата обращения: 14.12.2025).
8. Carcillo F., Dal Pozzolo A., Le Borgne Y.-A., Caelen O., Bontempi G. Combining unsupervised and supervised learning in credit card fraud detection // Information Sciences. 2019. Vol. 557. P. 317–331.
9. Bahnsen A.C., Aouada D., Stojanovic A., Ottersten B. Cost-sensitive credit card fraud detection using Bayes minimum risk // 2013 12th International Conference on Machine Learning and Applications (ICMLA). 2013. P. 333–338.
10. Bahnsen A.C., Aouada D., Ottersten B. Example-dependent cost-sensitive logistic regression for credit card fraud detection // 13th International Conference on Machine Learning and Applications (ICMLA). 2014. P. 333–338.
11. Jurgovsky J., Granitzer G., Ziegler K., Calabretto S., Portier P.-E., He-Guelton L., Caelen O. Sequence classification for credit-card fraud detection // Expert Systems with Applications. 2018. Vol. 100. P. 234–245.
12. Becquelin M., Curtó P., Fortinòn J. et al. Credit card fraud detection using LSTM // Journal of Machine Learning Research. 2019. Vol. 20, no. 1. P. 1–15.
13. Fiore U., De Santis A., Perla F., Zanetti P., Palmieri F. Using generative adversarial networks for improving classification effectiveness in credit card fraud detection // Information Sciences. 2019. Vol. 479. P. 448–455.
14. Yin W., Jin G. Comparative study of credit card fraud detection using autoencoders // IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29, no. 12. P. 5790–5801.
15. Искусственное обучение для обнаружения аномалий: обзор // IEEE Access. 2020. Vol. 8. P. 111474–111505.
16. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 800 p.
17. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521, no. 7553. P. 436–444.
18. Abadi M., Barham P., Chen J. et al. TensorFlow: A system for large-scale machine learning // Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI’16). 2016. P. 265–283.
19. Credit Card Transaction Data (anonymous African country) // Kaggle. [Электронный ресурс]. URL: https://www.kaggle.com/datasets/ealtman2019/credit-card-transaction-data-april2019 (дата обращения: 11.12.2025).
20. Paszke A. et al. PyTorch: An imperative style, high-performance deep learning library // Advances in Neural Information Processing Systems. 2019. Vol. 32.
21. Pedregosa F. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.
22. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, no. 1. P. 5–32.
23. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’16). 2016. P. 785–794.
Рецензия
Для цитирования:
Пестунов А.И., Самойленко Р.В. Оценка эффективности ансамблевых классификаторов и одиночных нейросетевых моделей для обнаружения финансового мошенничества. Вестник НГУЭУ. 2026;(2):10-28. https://doi.org/10.34020/2073-6495-2026-2-010-028
For citation:
Pestunov A.I., Samoylenko R.V. Evaluation of the effectiveness of ensemble classifiers and single neural network models for financial fraud detection. Vestnik NSUEM. 2026;(2):10-28. (In Russ.) https://doi.org/10.34020/2073-6495-2026-2-010-028
Послать статью по эл. почте 
