Enhancing Financial Fraud Detection Through Chimp-Optimized Long Short-Term Memory Networks
Notice bibliographique
Résumé
The proliferation of online shopping has led to a substantial increase in payment card transactions, accompanied by a parallel rise in fraudulent activities.Such frauds impose significant financial burdens on both businesses and banking institutions annually.In response to this growing concern, a novel hybrid methodology has been developed, integrating a metaheuristic optimization algorithm with a neural network classifier, aimed at the automatic detection of financial transaction fraud.This method, termed Chimp-Optimized Long Short-Term Memory Networks (ChOpt+LSTM), operates in two sequential phases.Initially, an optimization algorithm based on chimp behavior is utilized for the selection of the most pertinent features for fraud detection.Subsequently, these features inform the training of a Long Short-Term Memory (LSTM) classifier model, specifically designed for the identification of credit card fraud.An extensive comparative analysis reveals that the proposed ChOpt+LSTM method surpasses existing techniques in several key performance metrics.Notably, it achieves a classification accuracy of 99.18%, a mean absolute error (MAE) reduction to 25.7, a mean squared error (MSE) reduction to 16.3, alongside precision, recall, and F1 scores of 98.54%, 98.47%, and 96.58%, respectively.These findings underscore the efficacy of combining chimp optimization algorithms with LSTM classifiers in enhancing the accuracy and reliability of financial fraud detection systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».