Unsupervised Deep Learning for Credit Card Fraud Detection: An Autoencoder-Driven Framework with Real-Time Dash Visualization Using Tensorflow 2.X
Notice bibliographique
Résumé
The exponential growth in digital transactions has escalated the need for intelligent, real-time fraud detection mechanisms capable of handling high-volume, imbalanced datasets. This paper presents an unsupervised deep learning framework for credit card fraud detection using autoencoders, specifically tailored to isolate anomalous behavior without relying on labeled fraudulent data. The architecture leverages TensorFlow 2.x for model development, training, and evaluation, enabling precise identification of outliers within complex transactional patterns. The system incorporates a comprehensive data preprocessing pipeline using Pandas and NumPy to normalize, encode, and balance transaction records for optimized model performance. Post-training, the model is integrated with an interactive Python Dash-based dashboard, facilitating real-time visualization of anomaly scores and system metrics for analysts and security teams. The proposed solution emphasizes scalability, interpretability, and responsiveness, supporting deployment in high-throughput environments. Experimental validation on publicly available datasets demonstrates high reconstruction error sensitivity, achieving competitive performance in terms of precision and recall. This research underscores the effectiveness of autoencoder-based anomaly detection in financial fraud scenarios and contributes a modular, production-ready framework for organizations seeking to enhance digital transaction security through data-driven intelligen ce
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».