欢迎来到天天文库
浏览记录
ID:34615050
大小:1.44 MB
页数:59页
时间:2019-03-08
《基于深度学习和集成学习的银行卡交易反欺诈技术研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、学校代码:10255学号:2161722基于深度学习和集成学习的银行卡交易反欺诈技术研究ARESEARCHONANTI-FRAUDOFBANKCARDTRANSACTIONSBASEDONDEEPLEARNINGANDENSEMBLELEARNING专业:软件工程姓名:窦路路指导教师:石秀金答辩日期:2018.5.22东华大学软件工程硕士学位论文答辩委员会成员名单姓名职称职务工作单位备注高级工上海合胜计算机科王建会答辩委员会主席程师技股份有限公司李继云教授答辩委员会委员东华大学孙莉副教授答辩委员会委
2、员东华大学卢婷副教授答辩委员会委员东华大学王绍宇副教授答辩委员会委员东华大学卢婷副教授答辩委员会秘书东华大学基于深度学习和集成学习的银行卡交易反欺诈技术研究摘要随着银行卡交易欺诈手段越来越多变,以往基于规则的反欺诈系统已经不足以适应当前欺诈形势,具有自学习能力的神经网络开始成为反欺诈的重要工具。然而传统神经网络只有一层隐藏层节点,对复杂多变的欺诈特征泛化能力有限,且面临容易陷入极小值,梯度扩散等问题。深度学习技术在传统神经网络的基础上,增加了隐藏层的数量,并通过逐层训练的方式克服了传统神经网络的训练
3、难题,从而使模型具有更强大的分析推理能力。因此本文尝试将深度信念网络(DeepBeliefNetwork,DBN)应用于银行卡交易反欺诈研究中。为了进一步提高DBN模型的反欺诈能力,提出了一种基于DBN和支持向量机(SupportVectorMachines,SVM)的集成学习模型。主要研究内容和创新点如下:1.分析了国内目前面临的银行卡交易欺诈形势和特征,对目前使用的基于规则和基于神经网络的反欺诈系统进行了分析和对比。2.提出了一种将DBN和SVM作为基分类器,Logistic回归模型作为元分类器
4、的Stacking集成学习模型。利用SVM模型表达反欺诈场景下发生频率较高的特征关联,DBN模型用于挖掘可能存在的未知欺诈特征关联,并将两个模型得出的欺诈概率和原有欺诈标签一同传给Logistic回归模型再次训练,从而获得比单一模型更好的学习效果。I3.构建DBN和SVM的过程中,分别从数据处理和模型参数两方面入手,使单个模型性能达到最优,并采用差异化集成方式降低模型的过拟合风险。4.使用实际银行卡交易数据进行模型性能评估。实验证明该集成模型取得了比任一单个模型更好的预测结果,体现了该集成模型在银行
5、卡交易反欺诈研究中的应用价值。关键词:反欺诈;深度信念网络;支持向量机;Logistic回归;集成学习IIARESEARCHONANTI-FRAUDOFBANKCARDTRANSACTIONSBASEDONDEEPLEARNINGANDENSEMBLELEARNINGABSTRACTWiththeever-changingmethodsofbankcardtransactionfraud,therule-basedanti-fraudsystemshavebeeninsufficienttoadap
6、ttothecurrentfraudsituation,andneuralnetworkwithself-learningcapabilitieshascomeintoview,asanimportanttoolforanti-fraud.However,thetraditionalneuralnetworkhasonlyonehiddenlayernode,whichhaslimitedabilitytogeneralizecomplexandvariablefraudfeatures.Itisu
7、suallygetintotroubleinlocaloptimumandgradientdiffusion.Onthebasisoftraditionalneuralnetworks,deeplearningincreasesthenumberofhiddenlayers,andalsoovercomestheproblemsintraditionalneuralnetworksbylayer-by-layertraining,thusenablingthemodeltohavemoreanaly
8、ticalandreasoningcapabilities.Therefore,thispaperattemptstoapplyDeepBeliefNetwork(DBN)toanti-fraudresearchonbankcardtransactions.Inordertofurtherimprovetheanti-fraudabilityofDBNmodel,thispaperproposesanensemblelearningmodelbasedonDBNand
此文档下载收益归作者所有