Εμπλουτισμός δεδομένων μέσω δημιουργικών νευρωνικών δικτύων για την ανίχνευση κακόβουλων ηλεκτρονικών συναλλαγών

Φιλανδριανού, Χρυσούλα; Filandrianou, Chrysoula

dc.contributor.author	Φιλανδριανού, Χρυσούλα	el
dc.contributor.author	Filandrianou, Chrysoula	en
dc.date.accessioned	2022-12-28T10:15:12Z
dc.date.available	2022-12-28T10:15:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56520
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24218
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Δημιουργικά νευρωνικά δίκτυα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανίχνευση απάτης	el
dc.subject	Ανισοκατανεμημένα δεδομένα	el
dc.subject	Εμπλουτισμός δεδομένων	el
dc.subject	Generative adversarial networks	en
dc.subject	Machine learning	en
dc.subject	Fraud detection	en
dc.subject	Imbalanced dataset	en
dc.subject	Data enrichment	en
dc.title	Εμπλουτισμός δεδομένων μέσω δημιουργικών νευρωνικών δικτύων για την ανίχνευση κακόβουλων ηλεκτρονικών συναλλαγών	el
dc.title	Data enrichment through generative adversarial networks for the detection of malicious electronic transactions	en
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10
heal.abstract	Τα τελευταία χρόνια με την ραγδαία αύξηση της τεχνολογίας όλο και περισσότερες υπηρεσίες ψηφιοποιούνται. Ένας από τους σημαντικότερους τομείς που αλλάζει εποχή είναι αυτός των τραπεζικών συστημάτων, καθώς όλο και περισσότερες τράπεζες ψηφιοποιούν τις υπηρεσίες τους και δίνουν την δυνατότητα στους χρήστες να κάνουν γρήγορα και εύκολα συναλλαγές μέσω ηλεκτρονικών συσκευών. Σε αυτή όμως την προσπάθεια ελλοχεύουν και κίνδυνοι. Ένας εκ των σημαντικότερων είναι αυτός των κακόβουλων συναλλαγών, δηλαδή συναλλαγές οι οποίες δεν έγιναν από τους ίδιους τους χρήστες αλλά από τρίτους, με σκοπό την οικονομική εκμετάλλευσή τους. Στην παρούσα εργασία μελετήθηκε το συγκεκριμένο πρόβλημα καθώς και η δυνατότητα ανάπτυξης ενός συστήματος για την αυτόματη αναγνώριση αυτών των κακόβουλων συναλλαγών. Κατά τη διάρκεια της μελέτης του προβλήματος αυτού αναδύθηκε ένα έμφυτο ζήτημα το οποίο είναι η ανισοκατανομή των δεδομένων. Καθημερινά γίνονται πάρα πολλές έγκυρες συναλλαγές, σε αντίθεση με τις απάτες που αποτελούν μικρό μερίδιο. Για τη μελέτη του αρχικού προβλήματος αναλύθηκαν και οι τρόποι με τους οποίους μπορεί να μειωθούν οι συνέπειες που επιφέρουν τα ανισοκατανεμημένα δεδομένα στην εκπαίδευση ενός τέτοιου συστήματος. Αναλύθηκαν πέντε παραδοσιακές τεχνικές, χωρίς σύνθεση νέων δεδομένων, για τη μείωση των φαινομένων αυτών και δοκιμάστηκαν σε πέντε διαφορετικές αρχιτεκτονικές μηχανικής μάθησης. Μέσω αυτής της ανάλυσης αναδείχθηκε το γεγονός ότι για να λυθεί ουσιαστικά το πρόβλημα της ανισοκατανομής των δεδομένων απαιτούνται περισσότερα δεδομένα από την κλάση μειονότητας. Για αυτόν τον λόγο μελετήθηκε η περιοχή των δημιουργικών νευρωνικών δικτύων και κατασκευάστηκε ένα state-of-the-art τέτοιο σύστημα για τη σύνθεση δεδομένων. Μελετήθηκε ο τρόπος λειτουργίας πολλαπλών τέτοιων αλγορίθμων που έχουν προταθεί στην βιβλιογραφία καθώς και τα θετικά και τα αρνητικά που επιφέρει ο κάθε ένας. Σκοπός των αλγορίθμων αυτών είναι η δημιουργία στιγμιότυπων για την εξομάλυνση της κατανομής των κλάσεων. Μέσω των τεχνικών αυτών καταφέραμε να επιτύχουμε καλύτερά αποτελέσματα ταξινόμησης συγκριτικά με τις παραδοσιακές τεχνικές.	el
heal.abstract	In recent years, more and more services have been digitalized due to the continuous technological change and evolution. One of the most important sectors that is changing the era is that of banking systems, as more and more banks are enabling users to make transactions quickly and easily through electronic devices. However, this rapid technological evolution has also its drawbacks. One of the most important is that of malicious transactions, i.e. transactions which were not made by the users themselves but by third parties, with the aim of their financial exploitation. In this thesis, we will attempt to study this specific problem as well as the possibility of developing a system for the automatic identification of these malicious transactions. However, in our attempt to study of this problem we had to deal with an inherent issue that emerged, the uneven distribution of the data. There are a lot of valid transactions taking place every day, in contrast with the malicious ones (also called frauds) which make up a small share. The ways in which the consequences of unevenly distributed data can be reduced in the training of such a system have been also analyzed. Five traditional methods, without new data synthesis, have been analyzed and tested on different machine learning architectures in order to reduce the previously mentioned problem. Throughout this analysis it was made very clear that, in order to effectively solve the problem of unequal distribution of data, more data from the minority class is required. For this reason, the area of creative neural networks was studied and a state-of-the-art system for data synthesis was constructed. The mode of operation of several such algorithms that have been proposed in the literature was studied, as well as the advantages and disadvantages of each one. The purpose of these algorithms is to create snapshots in order to make the distribution of classes more even. Through these techniques we managed to achieve better classification results compared to traditional ones.	en
heal.advisorName	Doulamis, Nikolaos	en
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false