Browsing by Author "Caprian, Iurie"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    A Hybrid Modular Architecture for Fraud Detection Using Offline and Online Machine Learning Models
    (Науково-дослідний центр індустріальних проблем розвитку НАН України, 2025) Капріан, Юрій; Caprian, Iurie
    У цій статті пропонується гібридна та модульна архітектура для виявлення шахрайства, яка інтегрує як офлайн-, так і онлайн-моделі машинного навчання для розв'язання проблем у динамічних середовищах фінансових транзакцій. Фреймворк поєднує високопродуктивні офлайн-моделі, включаючи XGBoost, LightGBM та глибокі нейронні мережі, з легкими та адаптивними навчальними моделями онлайн (наприклад, дерево Хоффдінга, адаптивний метод випадкових лісів), що дозволяє точно виявляти шахрайство як в історичних наборах даних, так і у потокових транзакціях у реальному часі. Ключовий методологічний внесок полягає у балансуванні прогнозної продуктивності, чутливості та інтерпретації, що досягається за допомогою механізму зваженої оцінки ризиків та єдиної економічно чутливої системи оцінювання, яка узгоджує технічні показники з відчутними фінансовими наслідками. Архітектура підкреслює модульність і масштабованість, сприяючи постійній адаптації за допомогою виявлення дрейфу концепцій і перенавчання на основі зворотного зв'язку. Її реалізація у контейнерному середовищі з відкритим кодом забезпечує відтворюваність, надійність і безперебійне розгортання у фінансових екосистемах виробничого рівня, навіть за великих обсягів транзакційних навантажень. Запропонована система ефективно усуває розрив між передовими дослідженнями машинного навчання та операційними вимогами, забезпечуючи гнучке, інтерпретоване та операційно життєздатне рішення для сучасного виявлення шахрайства. Крім цього, це дослідження консолідує попередню роботу автора з інтелектуальних систем виявлення шахрайства, розширюючи попередній внесок у вибір моделей, інтерпретацію штучного інтелекту та економічну оцінку хибно позитивних результатів у банківських контекстах. Майбутні напрямки досліджень включають інтеграцію реляційних ознак на основі графів для виявлення мережевого шахрайства, застосування навчання з підкріпленням для адаптивної оптимізації рішень і використання методів федеративного навчання для підвищення конфіденційності даних в установах. Загалом запропонована структура являє собою масштабований, прозорий та адаптивний підхід, який розвивається разом із новими стратегіями боротьби з шахрайством, забезпечуючи розгортання системи з практичною та фінансовою значущістю.
  • Thumbnail Image
    Item
    Explainable Artificial Intelligence in Banking Fraud Detection and Prevention
    (Науково-дослідний центр індустріальних проблем розвитку НАН України, 2025) Капріан, Юрій; Caprian, Iurie
    This study examines the integration of Explainable Artificial Intelligence (XAI) techniques in banking fraud detection, focusing on transaction-based and behavioral fraud patterns. As financial institutions increasingly adopt complex machine learning models, ensuring transparency and interpretability has become essential, particularly in regulated environments. The paper analyzes several XAI methods, including Local Interpretable Model-agnostic Explanations (LIME), SHapley Additive exPlanations (SHAP), attention mechanisms, counterfactual explanations, and prototype-based approaches. The empirical analysis is based on a combination of anonymized banking transaction datasets and simulated data designed to reflect diverse fraud scenarios. The results indicate that XAI techniques can generate interpretable and auditable explanations of model decisions while maintaining a high level of predictive accuracy. These explanations improve the understanding of fraud-related patterns, support more informed decision-making, and facilitate communication between technical and non-technical stakeholders. Moreover, the adoption of XAI enhances stakeholder trust, supports regulatory compliance, and improves operational efficiency in fraud detection processes. Nevertheless, challenges remain, including increased computational costs, model complexity, scalability, and the difficulty of ensuring that explanations are easily understood by end users. The study proposes a practical framework for implementing XAI in banking fraud detection systems and highlights future research directions, such as real-time applications and the integration of XAI with adaptive and learning-based approaches.