Hiện nay, gian lận tài chính ngày c

Hiện nay, gian lận tài chính ngày càng phổ biến và gây ra những hậu quả nghiêm trọng. Do đó, phát hiện và ngăn chặn gian lận tài chính đã thu hút được sự quan tâm lớn từ các nhà nghiên cứu. Ngày nay, bài toán phát hiện gian lận tài chính có thể được giải quyết với sự hỗ trợ của các kỹ thuật khai phá dữ liệu. Trong đó, phân lớp là một phương pháp học có giám sát được áp dụng phổ biến nhất. Tuy nhiên, do đặc thù dữ liệu tài chính, số lượng các mẫu được xác định là gian lận ít hơn rất nhiều so với các mẫu hợp lệ, dẫn đến tình trạng mất cân bằng dữ liệu. Một số phương pháp nổi tiếng giải quyết vấn đề này như SMOTE, borderline-SMOTE đã đạt được những kết quả tích cực. Trong bài báo này, chúng tôi đề xuất một phương pháp mới, MASK, nhằm đổi nhãn các phần từ lớp đa số dựa trên phân phối mật độ của các phần tử lớp thiểu số. Các kết quả thực nghiệm cũng chỉ ra phương pháp mới hiệu quả và nâng cao độ chính xác trong phát hiện

Kết quả (Anh) 1:

Currently, financial fraud is increasingly common and cause serious consequences. Therefore, detecting and preventing financial fraud has attracted great attention from researchers. Today, the problem of detecting financial fraud can be resolved with the support of the data mining techniques. In it, the subclass is a supervised learning method is to apply the most common. However, due to the particularities of financial data, the number of samples to be determined is a lot less fraud than the valid samples, leading to imbalanced condition data. Some popular methods to solve this problem as SMOTE, borderline-SMOTE has achieved positive results. In this paper, we propose a new method, MASK, in order to change the label of the part from the majority of the class based on the distribution of the density of the element class minority. The experimental results also indicated a new and effective method of improving accuracy of detection

Kết quả (Anh) 2:

Currently, financial fraud is increasingly common and cause serious consequences. Therefore, detecting and preventing financial fraud has attracted great attention from researchers. Today, the problem of financial fraud detection can be solved with the help of data mining techniques. In it, layering is a supervised learning methods are most commonly applied. However, due to specific financial data, the number of samples is determined to be a lot less fraud than the valid form, leading to imbalance data. Some well-known method of solving this problem as SMOTE, borderline-SMOTE has achieved positive results. In this paper, we propose a new method, MASK, to change the label of a majority share of the class based on the density distribution of the minority class element. The experimental results also showed effective new methods and improve accuracy in detection