A Comprehensive Review of Machine Learning Techniques in Fraud Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the era of technology, most of the peoples are dependent on the latest technology in the form of payments. In the financial sector, the growing number of credit card users presents several important implications, which is leading the users away from the cash payments, the significant increase of credit card use resulted in a decrease in reliance on cash advances. Due to rise in credit card, the financial sector is facing several risks despite having Improved Security and Fraud Detection, Advanced Technology: The adoption of EMV chips, contactless payments, and AI-driven fraud detection systems has enhanced transaction security. These technologies help to protect consumers and merchants from fraud. Detecting financial fraud is complicated by class imbalance, which requires the use of rare data mining approaches along with traditional classification algorithms. To address this, we propose conducting an experimental study to assess the impact of class imbalance and measure the resulting conflict in the imbalanced data. For which we have discussed a variety of papers. These publications, which were collected from sources like Scopus and IEEE Xplore, were chosen using predetermined criteria. These chosen publications were utilized to identify fraud (credit card, UPI, identity theft, fraud loans etc.), with the help of various machine learning methods (KNN, CR7, Gradient boost etc.), the authors' contributions, nations, trends, sources, and datasets used in the tests. The data/reports gathered by different authors used to detect frauds, obtained from the stock exchange and banks of India, China, Canada, the United States etc. One of the foremost contributors of the studies, India, the United States, China, Saudi Arabia remain influential, whereas other countries have a limited number of related publications.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 découle