AI Summary & Key Takeaways
AI InsightIn this respect, it has been proven that the use of graph miningand machine learning algorithms together has higher accuracy rates compared to other methods and is amethod that calculates in a faster time.
📌 3 Key Takeaways
Abstract
Today companies keep a large number of important data, including the work they plan to do in the future,electronically. In many cases, financial information is stolen that can harm the entire company orindividual. One of these types of fraud occurs in bank payments. The use of graph data science augmentsexisting analytics and machine learning pipelines, increasing the accuracy and applicability of existingfraud detection methods. In this study, BankSim dataset created from a bank payment informationsimulation in Spain was used. It is aimed to detect fraud by classifying normal payments and injected fraudsignatures on BankSim. RandomForest (RF), SVM, XGBoost (XGB), K Nearest Neighbors (k-NN)classification algorithms in python language were used for classification. K-fold cross validation was usedfor performance evaluations. Neo4j database was used for graph analysis and CypherQL was used asNeo4j query language. The implementation of this fraud detection has resulted in fewer fraudulenttransactions and a more reliable revenue stream. The performances of SVM, RF, XGB, k-NN algorithmswere evaluated for fraud detection in bank payments, and the performance of the algorithms was comparedaccording to the K-Fold cross-validation results in terms of performance. In the graph mining phase, theresults obtained with the standard machine learning method were optimized together with graph algorithmssuch as PageRank, Community, and degree. In this respect, it has been proven that the use of graph miningand machine learning algorithms together has higher accuracy rates compared to other methods and is amethod that calculates in a faster time.
Özet
Günümüzde, şirketler gelecekte yapmayı planladıkları işleri içeren çok sayıdaki önemli verilerinielektronik ortamlarda saklamaktadırlar. Saldırı durumunda ise hem şirkete hem de bireylere zararverebilecek finansal bilgiler hedef alınmaktadır. Bu saldırı türlerinden biri de banka ödemelerindemeydana gelen dolandırıcılık saldırılarıdır. Grafik veri bilimi kullanılması, mevcut analitik ve makineöğrenimi ardışık düzenlerini güçlendirerek, var olan dolandırıcılık tespit yöntemlerinin doğruluğunu veuygulanabilirliğini arttırmaktadır. Bu çalışmada İspanya’daki bir banka ödeme bilgi simülasyonundanoluşturulan BankSim veri kümesi kullanılmıştır. BankSim üzerinde bulunan normal ödemeler ve sahteveriler sınıflandırılarak dolandırıcılık tespiti gerçekleştirilmesi amaçlanmıştır. Sınıflandırma için Pythondilinde RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB), K-Nearest Neighbors (k NN) sınıflandırma algoritmaları kullanılmıştır. Performans değerlendirmeleri için K-katlamalı çaprazdoğrulama kullanılmıştır. Çizge madenciliği için Neo4j veritabanı kullanılmış ve Neo4j sorgu dili olarakCypherQL kullanılmıştır. Bu dolandırıcılık tespitinin uygulanması ile daha az hileli işlem ve dahagüvenilir bir gelir akışı elde edilmiştir. Çizge madenciliği aşamasında PageRank, Community, degree gibiçizge algoritmaları ile birlikte standart makine öğrenimi yöntemi ile elde edilen sonuçlar optimizeedilmiştir. Bu açıdan çizge madenciliği ve makine öğrenimi algoritmalarının birlikte kullanılmasının diğeryöntemlere kıyasla doğruluk oranlarının daha yüksek olduğu ve daha hızlı sürede hesap yapan bir yöntemolduğu ispatlanmıştır.