Kara para aklamanın önlenmesi için derin öğrenme

Abstract

Bu tez, finansal suçlar aracılığıyla gerçekleşen kara para aklama sorununu ele almak ve özellikle kredi kartı dolandırıcılığı gibi suçların tespitindeki sınıf dengesizliği zorluğunu çözmek amacıyla derin öğrenme yaklaşımlarını araştırmaktadır. Dolandırıcılığı tespit etmedeki ana zorluk, normal ve sahte örnekler arasındaki doğal sınıf dengesizliğinden kaynaklanmaktadır. Bu sorunu çözmek adına otokodlayıcı tabanlı Gürültü Faktörü Kodlama yöntemi ile sentetik azınlık üst örnekleme tekniği birleştirilerek yeni bir sınıf dengeleme önerimi sunulmaktadır. Farklı veri kümelerinde çeşitli otokodlayıcı varyantları üzerinde gerçekleştirilen deneyler, önerilen yaklaşımın geleneksel üst örnekleme yöntemlerine kıyasla daha etkili olduğunu göstermektedir. Ayrıca çalışma, dolandırıcılık tespiti için çeşitli sınıflandırma yöntemlerini karşılaştırarak çok aşamalı derin öğrenme modellerinin genel performans üzerindeki olumlu etkilerini ortaya koymaktadır. Otokodlayıcı tabanlı Gürültü Faktörü Kodlama yaklaşımının, sınıf dengesizliği sorununu başarılı bir şekilde ele alarak yüksek doğruluk, anma, özgüllük, kesinlik, F1 puanı, AUC-ROC ve MCC değerlerinde etkileyici sonuçlar elde ettiği görülmektedir. Ancak bu yaklaşımın performansındaki veri kümesine bağlı değişkenlik, gelecekteki çalışmalarda model parametrelerinin daha etkin bir şekilde optimize edilmesi ve genelleme yeteneklerinin artırılması açısından dikkate alınmalıdır.This thesis investigates deep learning approaches to address the issue of money laundering, particularly in the detection of crimes such as credit card fraud, within the context of financial crimes. The primary challenge in fraud detection stems from the natural class imbalance between genuine and fraudulent examples. To tackle this issue, a novel proposal is presented by combining the autoencoder-based Noise Factor Encoding method with synthetic minority oversampling technique. Experiments conducted on various datasets with different autoencoder variants demonstrate the effectiveness of the proposed approach compared to traditional oversampling methods. Furthermore, the study compares various classification methods for fraud detection, highlighting the positive impact of multi-stage deep learning models on overall performance. The autoencoder-based Noise Factor Encoding approach successfully addresses the class imbalance problem, yielding impressive results in terms of high accuracy, recall, specificity, precision, F1 score, AUC-ROC, and MCC values. However, the variability in performance based on dataset characteristics emphasizes the need for more effective optimization of model parameters and enhanced generalization capabilities in future research endeavors.