Гібридна модульна архітектура для виявлення шахрайства з використанням офлайн- та онлайн-моделей машинного навчання
Капріан Юрій

Caprian, Iurie. (2025) “A Hybrid Modular Architecture for Fraud Detection Using Offline and Online Machine Learning Models.” The Problems of Economy 3:312–320.
https://doi.org/10.32983/2222-0712-2025-3-312-320

Розділ: Математичні методи та моделі в економіці

УДК 004.8:005.8

Анотація:
У цій статті пропонується гібридна та модульна архітектура для виявлення шахрайства, яка інтегрує як офлайн-, так і онлайн-моделі машинного навчання для розв'язання проблем у динамічних середовищах фінансових транзакцій. Фреймворк поєднує високопродуктивні офлайн-моделі, включаючи XGBoost, LightGBM та глибокі нейронні мережі, з легкими та адаптивними навчальними моделями онлайн (наприклад, дерево Хоффдінга, адаптивний метод випадкових лісів), що дозволяє точно виявляти шахрайство як в історичних наборах даних, так і у потокових транзакціях у реальному часі. Ключовий методологічний внесок полягає у балансуванні прогнозної продуктивності, чутливості та інтерпретації, що досягається за допомогою механізму зваженої оцінки ризиків та єдиної економічно чутливої системи оцінювання, яка узгоджує технічні показники з відчутними фінансовими наслідками. Архітектура підкреслює модульність і масштабованість, сприяючи постійній адаптації за допомогою виявлення дрейфу концепцій і перенавчання на основі зворотного зв'язку. Її реалізація у контейнерному середовищі з відкритим кодом забезпечує відтворюваність, надійність і безперебійне розгортання у фінансових екосистемах виробничого рівня, навіть за великих обсягів транзакційних навантажень. Запропонована система ефективно усуває розрив між передовими дослідженнями машинного навчання та операційними вимогами, забезпечуючи гнучке, інтерпретоване та операційно життєздатне рішення для сучасного виявлення шахрайства. Крім цього, це дослідження консолідує попередню роботу автора з інтелектуальних систем виявлення шахрайства, розширюючи попередній внесок у вибір моделей, інтерпретацію штучного інтелекту та економічну оцінку хибно позитивних результатів у банківських контекстах. Майбутні напрямки досліджень включають інтеграцію реляційних ознак на основі графів для виявлення мережевого шахрайства, застосування навчання з підкріпленням для адаптивної оптимізації рішень і використання методів федеративного навчання для підвищення конфіденційності даних в установах. Загалом запропонована структура являє собою масштабований, прозорий та адаптивний підхід, який розвивається разом із новими стратегіями боротьби з шахрайством, забезпечуючи розгортання системи з практичною та фінансовою значущістю.

Ключові слова: виявлення шахрайства, машинне навчання, модульна архітектура, адаптивне навчання, оцінка ризику, продуктивність моделей, концептуальний дрейф, фінансові технології.

Рис.: 6. Формул: 5. Бібл.: 12.

Капріан Юрій – аспірант, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: iuriecaprian@gmail.com

Список використаних у статті джерел

Bahnsen A. C., Aouada D., Ottersten B. Example-dependent cost-sensitive decision trees. Expert Systems with Applications. 2016. Vol. 42. No. 19. P. 6609–6619. DOI: https://doi.org/10.1016/j.eswa.2015.04.070
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD. 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Montiel J., Read J., Bifet A., Abdessalem T. River: machine learning for streaming data in Python. Journal of Machine Learning Research. 2021. Vol. 22. No. 1. P. 1–9.
Gama J., Zliobaite I., Bifet A., Pechenizkiy M., Bouchachia A. A survey on concept drift adaptation. ACM Computing Surveys (CSUR). 2014. Vol. 46. P. 44.
Zliobaite I. Learning under concept drift: an overview. arXiv preprint arXiv:1010.4784. 2010.
Khammas B., Roushangar K. A hybrid offline–online architecture for adaptive fraud detection in online payments. Expert Systems with Applications. 2020. Vol. 159. 113620. DOI: https://doi.org/10.1016/j.eswa.2020.113620
Bifet A., Holmes G., Pfahringer B., Kirkby R., Gavalda R. New ensemble methods for evolving data streams. Proceedings of the 15th ACM SIGKDD. 2011. P. 139–148.
Liu Y., Li J., Yang Y., Yu L., Zhang C. A cost-sensitive ensemble method for fraud detection based on dynamic updating. Information Sciences. 2019. Vol. 476. P. 421–439.
Ribeiro M. T., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD. 2016. P. 1135–1144.
Breunig M. M., Kriegel H.-P., Ng R. T., Sander J. LOF: Identifying density-based local outliers. ACM SIGMOD Record. 2000. Vol. 29. No. 2. P. 93–104.
Caprian I. The Use of Machine Learning for the Purpose of Combating Bank Fraud. Business Inform. 2023. No. 7. P. 140–145. DOI: https://doi.org/10.32983/2222-4459-2023-7-140-145
Caprian I. The Application of Artificial Intelligence for the Purpose of Combating Bank Fraud. The Problems of Economy. 2023. No. 2. P. 204–212. DOI: https://doi.org/10.32983/2222-0712-2023-2-204-212