МЕТРИКА ЗВАЖЕНОЇ ЕФЕКТИВНОСТІ ВИЯВЛЕННЯ ДЛЯ ОЦІНЮВАННЯ НЕЙРОМЕРЕЖЕВИХ КЛАСИФІКАТОРІВ В УМОВАХ ДИСБАЛАНСУ ТРАНЗАКЦІЙНИХ ДАНИХ

Abstract

Автоматизоване виявлення шахрайських операцій у банківських інформаційних системах є актуальним завданням кібербезпеки, що безпосередньо впливає на фінансову стійкість установ. Ключовою перешкодою при розробці відповідних класифікаторів машинного навчання є екстремальна нерівномірність розподілу класів: питома вага аномальних транзакцій у реальних датасетах не перевищує 0,2%, що знецінює стандартні метрики оцінювання якості моделей.

References

1. Payment Card Fraud Worldwide. Nilson Report. 2025. Vol. 1298. [Електронний ресурс]. – Режим доступу: https://nilsonreport.com/newsletters/1298.
2. Шахрайство з платіжними картками у 2025 році. НБУ. [Електронний ресурс]. – Режим доступу: https://bank.gov.ua.
3. Chawla N. V. et al. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321–357.
4. He H., Garcia E. A. Learning from Imbalanced Data. IEEE TKDE. 2009. Vol. 21, No. 9. P. 1263–1284.
5. Leborgne U. L., Bontempi G. Credit Card Fraud Detection Dataset. Kaggle. 2023. [Електронний ресурс]. – Режим доступу: https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud.