Enhancing Banking Fraud Detection: Role of Machine Learning and Deep Learning Methods
Notice bibliographique
Résumé
Fraud detection in banking is a critical concern as financial institutions face increasing challenges in identifying and preventing fraudulent activities. With the rise of sophisticated fraud schemes, traditional detection methods have proven inadequate, prompting the adoption of machine learning (ML) and deep learning (DL) techniques. This review explores the application of ML and DL methods in banking fraud detection, examining their strengths, limitations, and potential for future improvements. We provide an overview of commonly used ML algorithms such as logistic regression, decision trees, random forests, and support vector machines, as well as advanced DL architectures, including feedforward neural networks (FNNs), convolutional neural networks (CNNs), and recurrent neural networks (RNNs). In this review, key issues are discussed in data preprocessing, such as handling imbalanced datasets, feature engineering, and ensuring data privacy. Emerging trends in fraud detection, including explainable AI, real-time and edge computing solutions, blockchain integration, and synthetic data generation, are highlighted as promising avenues for enhancing detection systems. Despite the significant progress, challenges such as computational complexity, model interpretability, and adversarial attacks remain. This review concludes by emphasizing the need for continued research and collaboration between academia and industry to develop more effective, transparent, and secure fraud detection systems for the banking sector.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».