DOI: https://doi.org/10.19139/soic-2310-5070-3362
تاريخ النشر: 2026-03-08
المؤلف: Abdellatif El Badraoui وآخرون
الموضوع الرئيسي: تقنيات تصنيف البيانات غير المتوازنة
نظرة عامة
تتناول هذه الورقة البحثية تحديات اكتشاف احتيال بطاقات الائتمان، مع التركيز بشكل خاص على قضايا مثل عدم التوازن الشديد في الفئات، وأنماط الاحتيال المتطورة، وتكاليف التصنيف غير المتكافئة. يقترح المؤلفون إطار تقييم موجه نحو النشر وضبط القرار باستخدام شبكة عصبية عميقة (DNN) مدربة على مجموعة بيانات creditcard.csv العامة. يستخدم الإطار بروتوكول تدريب-تحقق-اختبار زمني ليعكس العمليات الواقعية، مما يبرز أهمية تصميم التقييم وضبط القرار المدرك للتكاليف على الابتكارات المعمارية. يتم تدريب DNN باستخدام خسارة الانتروبيا الثنائية الموزونة بالفئة، ويتم تحسين عتبة القرار بناءً على دالة تكلفة تجريبية تعطي الأولوية لتقليل الإيجابيات الكاذبة.
تظهر النتائج أن الإطار المقترح يحقق ROC-AUC قدره 0.9489 و PR-AUC قدره 0.7813 على مجموعة الاختبار. تكشف التحليلات أن استخدام العتبات الساذجة يؤدي إلى إنذارات كاذبة مفرطة، بينما يقلل ضبط القرار المدرك للتكاليف القائم على التحقق بشكل كبير من الخسائر المتوقعة. تحت نموذج تكلفة حيث تكون تكلفة الإيجابيات الكاذبة ($C_{FN} = 10$) أعلى من تكلفة الإيجابيات الصحيحة ($C_{FP} = 1$)، تم العثور على العتبة المثلى لتكون $\tau^* = 0.924$، مما يؤدي إلى درجة F1 لفئة الاحتيال قدرها 0.7582 وتكلفة اختبار متوقعة قدرها 190. تشير المقارنات مع الانحدار اللوجستي، والغابة العشوائية، وXGBoost إلى أنه بينما تظل التجميعات المعتمدة على الأشجار تنافسية، فإن DNN تحقق أداءً قابلاً للمقارنة، مما يبرز فعالية دمج التقييم الزمني مع ضبط العتبات المدركة للتكاليف في سيناريوهات اكتشاف الاحتيال العملية. تؤكد الدراسة على أهمية مواءمة تقييم النموذج وعمليات اتخاذ القرار مع القيود التشغيلية في البيئات ذات التوازن الشديد.
مقدمة
تسلط المقدمة الضوء على الزيادة الكبيرة في معاملات بطاقات الائتمان بسبب نمو التجارة الإلكترونية والخدمات المصرفية عبر الهاتف المحمول، والتي، على الرغم من كونها مريحة، قد زادت أيضًا من خطر الاحتيال. حتى معدلات الاحتيال المنخفضة يمكن أن تؤدي إلى خسائر مالية كبيرة وأضرار سمعة للمؤسسات المالية، مما يبرز الحاجة إلى آليات فعالة لاكتشاف الاحتيال. يتم الإشارة إلى دمج الذكاء الاصطناعي في إدارة المخاطر المالية، حيث يعد اكتشاف احتيال بطاقات الائتمان مجالًا حيويًا بسبب تأثيره على ثقة المستهلك في أنظمة الدفع الرقمية.
تُحدد التحديات في اكتشاف احتيال بطاقات الائتمان، وخاصة عدم التوازن الشديد في الفئات في مجموعات البيانات المعاملات، حيث تشكل المعاملات الاحتيالية أقل من 0.2% من إجمالي العمليات. يمكن أن يؤدي هذا التوازن إلى مقاييس دقة مضللة، مما يستلزم التركيز على تحليل الدقة والاسترجاع لتقييم أفضل لأداء الفئة الأقل. بالإضافة إلى ذلك، فإن الطبيعة المتطورة لأنماط الاحتيال تُدخل انحراف المفهوم، مما يعقد موثوقية النماذج المدربة على البيانات التاريخية. تناقش هذه القسم أيضًا أهمية اتخاذ القرار المدرك للتكاليف في اكتشاف الاحتيال، حيث يجب إدارة التوازن بين الإيجابيات الكاذبة والإيجابيات الصحيحة بعناية. في النهاية، بينما تقيم المقاييس التقليدية مثل ROC-AUC وPR-AUC أداء النموذج، يتم تحديد الفعالية العملية لأنظمة اكتشاف الاحتيال من خلال سياسة القرار المختارة التي تحكم النتائج التشغيلية.
الطرق
في هذا القسم، يقدم المؤلفون إطارًا قائمًا على التعلم العميق لاكتشاف احتيال بطاقات الائتمان، مع معالجة تحديات عدم التوازن الشديد في الفئات ومواءمة قواعد القرار مع التكاليف التشغيلية غير المتكافئة. يتم تطبيق المنهجية على مجموعة بيانات creditcard.csv، مع توضيح خط الأنابيب العام في الشكل 1. يتم اشتقاق النتائج التجريبية من بروتوكول زمني صارم، مع التركيز على سلوك التدريب، واختيار نقطة التشغيل المدفوعة بالتحقق، ونتائج التمييز لمجموعة الاختبار.
يتم مقارنة أداء شبكة الأعصاب العميقة المقترحة (DNN) مع المعايير الخاضعة للإشراف القياسية، بما في ذلك الانحدار اللوجستي (LR)، والغابة العشوائية (RF)، وXGBoost (XGB)، جميعها تحت نفس مبادئ المعالجة المسبقة واختيار العتبات المدركة للتكاليف. تشير النتائج، الملخصة في الجدول 11، إلى أن نموذج الغابة العشوائية يحقق أعلى منطقة دقة-استرجاع تحت المنحنى (PR-AUC) قدرها 0.8140 وأدنى تكلفة اختبار متوقعة قدرها 189. بينما تحقق DNN PR-AUC قدره 0.7813 وتكلفة قدرها 190، تظهر استرجاع احتيال أعلى قليلاً مقارنة بالغابة العشوائية. من الجدير بالذكر أن الغابة العشوائية الموزونة تتكبد تكلفة أعلى بسبب دقة أقل، مما يعزز فعالية ضبط العتبة بعد الحدث لـ DNN. تؤكد تحليل Bootstrap مع 1000 تكرار على الاستقرار الإحصائي لـ DNN، مما ينتج عنه فترة ثقة 95% لـ PR-AUC قدرها [0.7154, 0.8845].
المناقشة
تسلط قسم المناقشة في الورقة الضوء على تطور اكتشاف احتيال بطاقات الائتمان من الأنظمة التقليدية المعتمدة على القواعد إلى الأساليب الحديثة القائمة على التعلم الآلي، وخاصة التعلم العميق. بينما أظهرت النماذج الكلاسيكية، مثل الانحدار اللوجستي وأشجار القرار، فعاليتها، إلا أنها غالبًا ما تواجه صعوبات مع التفاعلات المعقدة وغير الخطية في البيانات عالية الأبعاد وتعتمد على عتبات ثابتة قد لا تأخذ في الاعتبار التكاليف غير المتكافئة المرتبطة باكتشاف الاحتيال. أظهرت التطورات الأخيرة في التعلم العميق، وخاصة الشبكات العصبية العميقة المتصلة بالكامل (DNNs) والهياكل المتكررة مثل الشبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، أداءً محسنًا من خلال التقاط هيكل البيانات المعاملات بشكل أفضل ودمج المعلومات التسلسلية.
يقترح المؤلفون إطار تقييم جديد لـ DNNs المطبقة على مجموعة بيانات creditcard.csv المستخدمة على نطاق واسع، والتي تحتوي على معاملات بطاقات حقيقية من أوروبا. يؤكدون على تقسيم زمني للتدريب والتحقق والاختبار لمحاكاة سيناريوهات النشر الواقعية، متجنبين خلط البيانات العشوائي الذي قد يؤدي إلى تقدير مبالغ فيه لأداء النموذج. تقدم الدراسة إجراء اختيار عتبة مدرك للتكاليف يقلل من دالة تكلفة تجريبية، مما يضمن مواءمة مخرجات النموذج مع اتخاذ القرار التشغيلي. تشير النتائج إلى أنه بينما تظل النماذج المعتمدة على الأشجار نقاط انطلاق قوية، فإن DNN المقترحة تحقق أداءً تنافسياً عند تقييمها تحت نفس الظروف، مما يبرز أهمية بروتوكولات التقييم التي تعكس القيود التشغيلية الحقيقية وحساسيات التكاليف في أنظمة اكتشاف الاحتيال.
DOI: https://doi.org/10.19139/soic-2310-5070-3362
Publication Date: 2026-03-08
Author(s): Abdellatif El Badraoui et al.
Primary Topic: Imbalanced Data Classification Techniques
Overview
This research paper addresses the challenges of credit card fraud detection, particularly focusing on issues such as extreme class imbalance, evolving fraud patterns, and asymmetric misclassification costs. The authors propose a deployment-oriented evaluation and decision-calibration framework utilizing a feed-forward deep neural network (DNN) trained on the public creditcard.csv dataset. The framework employs a chronological train-validation-test protocol to reflect real-world operations, emphasizing the importance of evaluation design and cost-aware decision calibration over architectural innovations. The DNN is trained using class-weighted binary cross-entropy loss, and the decision threshold is optimized based on an empirical cost function that prioritizes minimizing false negatives.
The results demonstrate that the proposed framework achieves a ROC-AUC of 0.9489 and a PR-AUC of 0.7813 on the test set. The analysis reveals that naive thresholding leads to excessive false alarms, while the validation-based cost-sensitive calibration significantly reduces expected losses. Under a cost model where the cost of false negatives ($C_{FN} = 10$) is higher than that of false positives ($C_{FP} = 1$), the optimal threshold is found to be $\tau^* = 0.924$, resulting in a fraud-class F1-score of 0.7582 and an expected test cost of 190. Comparisons with logistic regression, random forest, and XGBoost indicate that while tree-based ensembles remain competitive, the DNN achieves comparable performance, highlighting the effectiveness of combining chronological evaluation with cost-sensitive thresholding in practical fraud detection scenarios. The study underscores the significance of aligning model evaluation and decision-making processes with operational constraints in highly imbalanced settings.
Introduction
The introduction highlights the significant rise in credit card transactions due to the growth of e-commerce and mobile banking, which, while convenient, has also heightened the risk of fraud. Even low fraud rates can lead to substantial financial losses and reputational damage for financial institutions, emphasizing the need for effective fraud detection mechanisms. The integration of artificial intelligence in financial risk management is noted, with credit card fraud detection being a critical area due to its impact on consumer trust in digital payment systems.
The challenges in credit card fraud detection are outlined, particularly the extreme class imbalance in transactional datasets, where fraudulent transactions constitute less than 0.2% of total operations. This imbalance can lead to misleading accuracy metrics, necessitating a focus on precision-recall analysis for better evaluation of minority class performance. Additionally, the evolving nature of fraud patterns introduces concept drift, complicating the reliability of models trained on historical data. The section also discusses the importance of cost-sensitive decision-making in fraud detection, where the trade-off between false positives and false negatives must be carefully managed. Ultimately, while traditional metrics like ROC-AUC and PR-AUC assess model performance, the practical effectiveness of fraud detection systems is determined by the chosen decision policy that governs operational outcomes.
Methods
In this section, the authors present a deep learning-based framework for credit card fraud detection, specifically addressing the challenges of extreme class imbalance and the alignment of decision rules with asymmetric operational costs. The methodology is applied to the creditcard.csv dataset, with the overall pipeline illustrated in Figure 1. The experimental results are derived from a strictly chronological protocol, focusing on training behavior, validation-driven operating-point selection, and test set discrimination results.
The performance of the proposed deep neural network (DNN) is compared against standard supervised baselines, including logistic regression (LR), random forest (RF), and XGBoost (XGB), all under identical preprocessing and cost-aware threshold selection principles. The results, summarized in Table 11, indicate that the random forest model achieves the highest precision-recall area under the curve (PR-AUC) of 0.8140 and the lowest expected test cost of 189. The DNN, while achieving a PR-AUC of 0.7813 and a cost of 190, demonstrates slightly higher fraud recall compared to the random forest. Notably, the Weighted Random Forest incurs a higher cost due to lower precision, reinforcing the effectiveness of the DNN’s post-hoc threshold calibration. A bootstrap analysis with 1000 iterations confirms the statistical stability of the DNN, yielding a 95% confidence interval for PR-AUC of [0.7154, 0.8845].
Discussion
The discussion section of the paper highlights the evolution of credit card fraud detection from traditional rule-based systems to modern machine learning approaches, particularly deep learning. While classical models, such as logistic regression and decision trees, have shown effectiveness, they often struggle with complex, non-linear interactions in high-dimensional data and rely on fixed thresholds that may not account for the asymmetric costs associated with fraud detection. Recent advancements in deep learning, particularly fully connected deep neural networks (DNNs) and recurrent architectures like Long Short-Term Memory (LSTM) networks, have demonstrated improved performance by better capturing the structure of transactional data and incorporating sequential information.
The authors propose a novel evaluation framework for DNNs applied to the widely used creditcard.csv dataset, which contains real European card transactions. They emphasize a chronological train-validation-test split to mimic real-world deployment scenarios, avoiding random data shuffling that could lead to overestimating model performance. The study introduces a cost-aware threshold selection procedure that minimizes an empirical cost function, thus aligning model outputs with operational decision-making. The findings indicate that while tree-based models remain strong baselines, the proposed DNN achieves competitive performance when evaluated under the same conditions, highlighting the importance of evaluation protocols that reflect real-world operational constraints and cost sensitivities in fraud detection systems.