| dc.description.abstract | Настоящата студия представя изследване върху приложимостта на дълбоките изкуствени невронни мрежи за откриване на неприсъствени измами с кредитни карти. Изследването се базира на отворен набор от данни и цели да определи до каква дълбочина е практично да се изграждат такива мрежи, как архитек-турните параметри на такива мрежи (ширина на слоевете, активационна функция и пр.) се отразяват на процеса на обучение и предиктивните способности на мрежата, както и доколко генеративното съперничество може да се използва за преодоляване на ефектите от дисбаланса между легитимни и фалшиви трансакции, който е определяща характеристика на всички набори от данни, свързани с откриването на измами с кредитни карти.
В рамките на изследването бяха проведени множество експерименти, които съчетават обучението на мрежи с различна дълбочина с различни параметри на обучението като активационна функция и дропаут параметър. Също така бяха тествани различни архитектурни подходи към изграждане на мрежата, като особен акцент бе поставен върху възможността за използване на GAN мрежи и принципа на генеративно съперничество, залегнал в тяхната архитектура.
Получените резултати показват, че дълбоките невронни мрежи с умерен брой скрити слоеве, съчетани с техники за овърсамплинг, се справят отчетливо по- добре при откриването на фалшиви трансакции в сравнение с мрежите, притежаващи само един скрит слой. Също така, получените резултати навеждат на заключението, че използването на генеративно съперничество в ролята на техника за овърсамплинг е сравнимо по своята ефективност с други подобни техники. | bg_BG |
