MACHINE LEARNING METHODS FOR ANTIFRAUD SYSTEMS

K.Y. Ostrovska; V.O. Nosov

doi:10.34185/1562-9945-5-160-2025-16

Автор(и)

K.Y. Ostrovska
V.O. Nosov

DOI:

https://doi.org/10.34185/1562-9945-5-160-2025-16

Ключові слова:

виявлення шахрайства, машинне навчання, класифікація, виявлення аномалій, нейронні мережі, гібридні підходи

Анотація

Шахрайство у фінансовому секторі, сфері електронної комерції та онлайн-сервісах стає дедалі частішим і витонченішим. Традиційні системи на основі правил, хоча й залишаються корисними для виявлення відомих шаблонів шахрайства, не встигають за новими, динамічними схемами атак, оскільки статичні правила швидко обходяться зловмисниками. Натомість машинне навчання (МН) пропонує динамічний і ма-сштабований підхід, здатний обробляти великі обсяги транзакційних і поведінкових даних для виявлення тонких аномалій та підозрілої активності.
У статті представлено ґрунтовний огляд сучасних методів МН, що застосову-ються для виявлення шахрайства. Вони згруповані у три основні категорії: моделі кла-сифікації, методи виявлення аномалій та глибинні архітектури. Розглянуто приклади практичного використання в різноманітних сценаріях шахрайства, зокрема зловжи-вання кредитними картками, перехоплення облікових записів, кіберзлочини та шахрай-ські дії в цифровій торгівлі.
Особливу увагу приділено перевагам і обмеженням кожного підходу з урахуван-ням таких практичних аспектів, як масштабованість, прозорість моделей і проблема дисбалансу класів. Також проаналізовано останні досягнення у цій сфері, зокрема ви-користання графових представлень фінансових взаємодій, поведінкове профілювання на основі IP-адрес, а також поява гібридних систем, які поєднують декілька методів МН, наприклад, автоенкодери з бустинговими алгоритмами, які використано для під-вищення точності, особливо у випадках нестачі розмічених даних.
Результати дослідження спрямовані на підтримку розробки гнучких, високоефе-ктивних систем виявлення шахрайства, які використовують найкращі практики МН та поєднують переваги гібридної архітектури моделей.

Посилання

National Bank of Ukraine. (2025). The number of card fraud cases has decreased, but the losses from them have increased. https://bank.gov.ua/ua/news/all/kilkist-vipadkiv-shahraystva-z-kartkami-znizilasya-zbitki-za-nimi--zrosli.

2024 AI Fraud Financial Crime Survey. (2025). https://www.biocatch.com/ai-fraud-financial-crime-survey.

Visa Announces Generative AI-Powered Fraud Solution to Combat Account Attacks. (2024). https://investor.visa.com/news/news-details/2024/Visa-Announces-Generative-AI-Powered-Fraud-Solution-to-Combat-Account-Attacks/default.aspx.

Theodorakopoulos, L., Theodoropoulou, A., Tsimakis, A., & Halkiopoulos, C. (2025). Big Data-Driven Distributed Machine Learning for Scalable Credit Card Fraud Detection Using PySpark, XGBoost, and CatBoost. Electronics, 14(9), 1754. https://doi.org/10.3390/electronics14091754.

Sundaravadivel, P., Isaac, R., Elangovan, D., KrishnaRaj, D., Rahul, V., & Raja, R. (2025). Optimizing credit card fraud detection with random forests and SMOTE. Scientific Re-ports, 15, 17851. https://doi.org/10.1038/s41598-025-00873-y.

Applying SMOTE to Fraud Detection. (2023). Kag-gle. https://www.kaggle.com/code/wuttipats/applying-smote-to-fraud-detection.

Ding, L., Liu, L., Wang, Y., Shi, P., & Yu, J. (2024). An AutoEncoder enhanced light gra-dient boosting machine method for credit card fraud detection. PeerJ Computer Science, 10, Article e2323. https://doi.org/10.7717/peerj-cs.2323.

Jiang, S., Dong, R., Wang, J., & Xia, M. (2023). Credit Card Fraud Detection Based on Unsupervised Attentional Anomaly Detection Network. Systems, 11(6), 305. https://doi.org/10.3390/systems11060305.

Buschjäger, S., Honysz, P.-J., & Morik, K. (2020). Randomized outlier detection with trees. International Journal of Data Science and Analytics. https://doi.org/10.1007/s41060-020-00238-w.

Branco, B., Abreu, P., Gomes, A. S., Almeida, M. S. C., Ascensão, J. T., & Bizarro, P. (2020). Interleaved Sequence RNNs for Fraud Detection. У KDD '20: The 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM. https://doi.org/10.1145/3394486.3403361.

Cheng, D., Zou, Y., Xiang, S., & Jiang, C. (2025). Graph neural networks for financial fraud detection: a review. Frontiers of Computer Science, 19(9). https://doi.org/10.1007/s11704-024-40474-y.

How IP Insights Works - Amazon SageMaker AI. (2025). https://docs.aws.amazon.com/sagemaker/latest/dg/ip-insights-howitworks.html.