基于生成式对抗网络的信用卡欺诈预测模型研究
发布时间：2021-05-20 16:01
随着人们超前消费习惯的逐步养成,信用卡行业得到了快速的发展,目前信用卡信贷消费已经成为现代生活中非常重要的消费方式。而伴随着信用卡行业的快速发展,信用卡欺诈现象也时有发生。信用卡欺诈行为极大地扰乱了正常的金融秩序,制约了信用卡行业的健康发展,寻找有效的信用卡欺诈预测方法已经迫在眉睫。由于信用卡交易数据是类别严重不均衡的数据,正常交易类的样本数量远远多于欺诈类的样本数量,所以,如何有效的处理不均衡数据以及如何建立预测模型是信用卡欺诈预测取得成功的关键。本文以信用卡欺诈预测为背景,对不平衡数据的分类问题以及信用卡欺诈的预测问题进行了详细的阐述,然后根据机器学习算法以及采样技术的分析,提出了基于生成式对抗网络的信用卡欺诈预测模型。本次研究通过生成式对抗网络生成少数类样本数据,进而联合深度神经网络对信用卡交易数据类别进行预测,一方面克服了欠采样方法丢失大量数据信息的问题、SMOTE过采样方法以及ADASYN过采样方法生成新样本时扩大噪音、过拟合的问题,另一方面把深度神经网络模型应用于信用卡欺诈预测问题中,扩大了深度学习技术的应用范围,提高了模型预测的性能。最后,本文以真实的信用卡交易数据为基础...
【文章来源】：河南财经政法大学河南省
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状概述
1.2.1 不平衡数据处理研究概述
1.2.2 信用卡欺诈预测研究概述
1.3 研究内容与框架
1.3.1 研究内容
1.3.2 章节安排与框架图
1.4 论文创新点
2 相关理论概述
2.1 信用卡欺诈概述
2.1.1 信用卡欺诈的分类
2.1.2 信用卡欺诈的危害
2.2 不平衡数据处理概述
2.2.1 数据层面处理不平衡数据
2.2.2 不平衡分类问题的评价指标
2.3 生成式对抗网络概述
2.3.1 生成式对抗网络基本原理
2.3.2 条件生成对抗网络
2.4 分类技术概述
2.4.1 逻辑斯蒂回归
2.4.2 朴素贝叶斯
2.4.3 决策树
2.4.4 K近邻分类器
2.4.5 支持向量机
2.4.6 Adaboost分类器
2.4.7 深度神经网络
2.5 本章小结
3 信用卡欺诈预测模型设计
3.1 信用卡欺诈预测问题描述
3.2 生成式对抗网络模型
3.2.1 生成式对抗网络整体结构
3.2.2 数据生成器模型
3.2.3 数据判别器模型
3.3 深度神经网络模型
3.4 信用卡欺诈预测模型
3.5 本章小结
4 实证研究
4.1 数据集描述
4.2 数据预处理
4.3 模型训练
4.4 结果分析
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
攻读学位期间科研成果
致谢
【参考文献】：
期刊论文
[1]融合特征边界信息的不平衡数据过采样方法[J]. 孟东霞,李玉鑑. 计算机工程与应用. 2020(14)
[2]生成式对抗网络GAN的研究现状与应用[J]. 于梦珂. 无线互联科技. 2019(09)
[3]基于Bagging神经网络集成的燃料电池性能预测方法[J]. 闫飞宇,李伟卓,杨卫卫,何雅玲. 中国科学:技术科学. 2019(04)
[4]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[5]不均衡数据情况下信用卡欺诈识别[J]. 王一明. 通讯世界. 2018(12)
[6]信用卡欺诈行为识别中的机器学习方法:比较研究[J]. 陈沁歆. 中国高新科技. 2018(24)
[7]基于深度学习的图片问答系统设计研究[J]. 周远侠,于津. 计算机应用与软件. 2018(12)
[8]人工智能在金融行业各环节的应用实践[J]. 陈镇洪,廖昌华,陈翰波. 金融科技时代. 2018(08)
[9]不平衡数据分类研究综述[J]. 赵楠,张小芳,张利军. 计算机科学. 2018(S1)
[10]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
博士论文
[1]商业银行信用卡业务信用风险管理研究[D]. 赵刚.华东师范大学 2007
[2]信用卡风险管理研究[D]. 弋涛.西南财经大学 2006
[3]我国个人信用征信体系研究[D]. 李颖.同济大学 2005
硕士论文
[1]分类器评价指标MCC、CEN和ACC的比较研究[D]. 刘林.天津师范大学 2019
[2]基于kNN-Smote-LSTM的信用卡欺诈风险检测网络模型[D]. 陈冠宇.浙江工商大学 2018
[3]基于生成式对抗网络的文本生成问题的研究[D]. 代威.吉林大学 2018
[4]基于生成式对抗网络的人脸眼镜迁移[D]. 陈民钦.浙江大学 2018
[5]基于模糊二范数无核二次曲面支持向量机的信用卡欺诈检测研究[D]. 苏亚婷.东北财经大学 2017
[6]肺癌计算机辅助诊断中的假阳性去除方法研究[D]. 黄长星.湖南大学 2017
[7]医保异常检测的分类集成算法研究[D]. 李秀丽.电子科技大学 2016
[8]综合过采样和欠采样的不平衡数据集的学习研究[D]. 闫欣.东北电力大学 2016
[9]基于海量WEB日志的网络恶意行为分析系统设计与实现[D]. 徐安林.中国科学院大学(工程管理与信息技术学院) 2015
[10]基于改进非平衡策略的入侵检测系统研究[D]. 杨二伟.郑州大学 2014
本文编号：3198039
【文章来源】：河南财经政法大学河南省
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状概述
1.2.1 不平衡数据处理研究概述
1.2.2 信用卡欺诈预测研究概述
1.3 研究内容与框架
1.3.1 研究内容
1.3.2 章节安排与框架图
1.4 论文创新点
2 相关理论概述
2.1 信用卡欺诈概述
2.1.1 信用卡欺诈的分类
2.1.2 信用卡欺诈的危害
2.2 不平衡数据处理概述
2.2.1 数据层面处理不平衡数据
2.2.2 不平衡分类问题的评价指标
2.3 生成式对抗网络概述
2.3.1 生成式对抗网络基本原理
2.3.2 条件生成对抗网络
2.4 分类技术概述
2.4.1 逻辑斯蒂回归
2.4.2 朴素贝叶斯
2.4.3 决策树
2.4.4 K近邻分类器
2.4.5 支持向量机
2.4.6 Adaboost分类器
2.4.7 深度神经网络
2.5 本章小结
3 信用卡欺诈预测模型设计
3.1 信用卡欺诈预测问题描述
3.2 生成式对抗网络模型
3.2.1 生成式对抗网络整体结构
3.2.2 数据生成器模型
3.2.3 数据判别器模型
3.3 深度神经网络模型
3.4 信用卡欺诈预测模型
3.5 本章小结
4 实证研究
4.1 数据集描述
4.2 数据预处理
4.3 模型训练
4.4 结果分析
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
攻读学位期间科研成果
致谢
【参考文献】：
期刊论文
[1]融合特征边界信息的不平衡数据过采样方法[J]. 孟东霞,李玉鑑. 计算机工程与应用. 2020(14)
[2]生成式对抗网络GAN的研究现状与应用[J]. 于梦珂. 无线互联科技. 2019(09)
[3]基于Bagging神经网络集成的燃料电池性能预测方法[J]. 闫飞宇,李伟卓,杨卫卫,何雅玲. 中国科学:技术科学. 2019(04)
[4]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[5]不均衡数据情况下信用卡欺诈识别[J]. 王一明. 通讯世界. 2018(12)
[6]信用卡欺诈行为识别中的机器学习方法:比较研究[J]. 陈沁歆. 中国高新科技. 2018(24)
[7]基于深度学习的图片问答系统设计研究[J]. 周远侠,于津. 计算机应用与软件. 2018(12)
[8]人工智能在金融行业各环节的应用实践[J]. 陈镇洪,廖昌华,陈翰波. 金融科技时代. 2018(08)
[9]不平衡数据分类研究综述[J]. 赵楠,张小芳,张利军. 计算机科学. 2018(S1)
[10]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
博士论文
[1]商业银行信用卡业务信用风险管理研究[D]. 赵刚.华东师范大学 2007
[2]信用卡风险管理研究[D]. 弋涛.西南财经大学 2006
[3]我国个人信用征信体系研究[D]. 李颖.同济大学 2005
硕士论文
[1]分类器评价指标MCC、CEN和ACC的比较研究[D]. 刘林.天津师范大学 2019
[2]基于kNN-Smote-LSTM的信用卡欺诈风险检测网络模型[D]. 陈冠宇.浙江工商大学 2018
[3]基于生成式对抗网络的文本生成问题的研究[D]. 代威.吉林大学 2018
[4]基于生成式对抗网络的人脸眼镜迁移[D]. 陈民钦.浙江大学 2018
[5]基于模糊二范数无核二次曲面支持向量机的信用卡欺诈检测研究[D]. 苏亚婷.东北财经大学 2017
[6]肺癌计算机辅助诊断中的假阳性去除方法研究[D]. 黄长星.湖南大学 2017
[7]医保异常检测的分类集成算法研究[D]. 李秀丽.电子科技大学 2016
[8]综合过采样和欠采样的不平衡数据集的学习研究[D]. 闫欣.东北电力大学 2016
[9]基于海量WEB日志的网络恶意行为分析系统设计与实现[D]. 徐安林.中国科学院大学(工程管理与信息技术学院) 2015
[10]基于改进非平衡策略的入侵检测系统研究[D]. 杨二伟.郑州大学 2014
本文编号：3198039
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3198039.html
