Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Lalousis, Kyriakos"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Development of machine learning methods for detection of tax evasion and avoidance
    (2023-12-29) Λαλούσης, Κυριάκος; Lalousis, Kyriakos; Athens University of Economics and Business, Department of Economics; Pagratis, Spyridon; Zacharias, Eleftherios; Alexopoulos, Angelos
    Η απάτες πιστωτικών καρτών είναι μια σημαντική οικονομική απειλή, με σημαντικές οικονομικές απώλειες ετησίως. Ο αποτελεσματικός εντοπισμός δόλιων συναλλαγών είναι κρίσιμος για τον μετριασμό αυτών των απωλειών, με τους σύγχρονους αλγόριθμους να βασίζονται σε μεγάλο βαθμό σε προηγμένες τεχνικές μηχανικής εκμάθησης. Η ανάπτυξη αποτελεσματικών αλγορίθμων ανίχνευσης απάτης είναι ιδιαίτερα δύσκολη λόγω πολλών παραγόντων, όπως οι εξαιρετικά ανισόρροπες κατανομές των κατηγοριών απάτη ή όχι απάτη και η συνεχής ροή δεδομένων συναλλαγών σε πραγματικό χρόνο στα σύνολα δεδομένων. Επίσης, η πρόσβαση σε δημόσια δεδομένα σε αυτόν τον τομέα είναι περιορισμένη λόγω θεμάτων εμπιστευτικότητας που προκύπτουν από τους κανονισμούς των χρηματοπιστωτικών οργανισμών.Ο πυρήνας της ανάλυσής μας είναι ένα πραγματικό σύνολο δεδομένων πιστωτικών καρτών που ελήφθη από μια συνεργασία της Worldline και της Machine Learning Group του Universit ́e Libre de Bruxelles, παρέχοντας μια πρακτική βάση για την κατανόηση της πολυπλοκότητας που συνεπάγεται η ανίχνευση απάτης σε αυτόν τον τομέα.Το προαναφερθέν σύνολο δεδομένων έχει προηγουμένως διερευνηθεί από άλλους ερευνητές, εστιάζοντας κυρίως σε εποπτευόμενες τεχνικές για τον εντοπισμό απάτης με πιστωτικές κάρτες. Εκτενώς έχουν χρησιμοποιήσει μια σειρά εποπτευόμενων τεχνικών όπως Logistic Regression, Decision Tree Algorithms, Gradient Boosting. Περνώντας πέρα από τις παραδοσιακές προσεγγίσεις, η έρευνά μας εμβαθύνει στον τομέα των τεχνικών unsupervised, όπως η clustering, εισάγοντας ένα καινοτόμο στοιχείο. Αυτή η νέα συμπερίληψη εμπλουτίζει την ανάλυση αποκαλύπτοντας ενδιαφέροντα μοτίβα και σχέσεις μέσα στα δεδομένα συναλλαγής. Επιπλέον, η μελέτη κάνει ένα πρωτοποριακό βήμα συνδυάζοντας εποπτευόμενες μεθόδους με μη εποπτευόμενες και προσεγγίσεις που βασίζονται σε spectral graph clustering. Ο κύριος στόχος μας είναι να τονίσουμε τον ζωτικό ρόλο των ισχυρών τεχνικών στην καταπολέμηση της απάτης, τονίζοντας τη σημασία της μόχλευσης προηγμένων προσεγγίσεων μηχανικής μάθησης.