Machine Learning Methods for Antifraud Systems

ENG: Fraud in the financial sector, e-commerce, and online services is becoming increasingly frequent and sophisticated. Traditional rule-based systems, while still helpful in detecting known fraud patterns, struggle to keep up with new, evolving attack vectors, as static rules are quickly circumvented. In contrast, machine learning (ML) provides a dynamic and scalable approach that can process vast amounts of transactional and behavioral data to identify subtle anomalies and suspicious activity. This paper provides a comprehensive overview of current ML techniques used in fraud detection, categorized into three main groups: classification models, anomaly detection methods, and deep learning architectures. It discusses real-world applications across various fraud scenarios, including credit card abuse, account takeovers, cybercrime, and scams in digital comerce. Emphasis is placed on the strengths and limitations of each approach, with attention to real-world considerations like scalability, model transparency, and the challenge of class imbalance. The paper also reviews recent advances, including graph-based representations of financial interactions, IP-based behavioral profiling, and the emergence of hybrid systems that integrate multiple ML techniques –such as combining autoencoders with boosting algorithms for improved accuracy, especially when labeled data is scarce. The findings aim to support the development of flexible, high-performance fraud detection solutions that leverage the most effective ML practices and capitalize on the synergy of hybrid model architectures.

UKR: Шахрайство у фінансовому секторі, сфері електронної комерції та онлайн-сервісах стає дедалі частішим і витонченішим. Традиційні системи на основі правил, хоча й залишаються корисними для виявлення відомих шаблонів шахрайства, не встигають за новими, динамічними схемами атак, оскільки статичні правила швидко обходяться зловмисниками. Натомість машинне навчання (МН) пропонує динамічний і масштабований підхід, здатний обробляти великі обсяги транзакційних і поведінкових даних для виявлення тонких аномалій та підозрілої активності. У статті представлено ґрунтовний огляд сучасних методів МН, що застосовуються для виявлення шахрайства. Вони згруповані у три основні категорії: моделі класифікації, методи виявлення аномалій та глибинні архітектури. Розглянуто приклади практичного використання в різноманітних сценаріях шахрайства, зокрема зловживання кредитними картками, перехоплення облікових записів, кіберзлочини та шахрайські дії в цифровій торгівлі. Особливу увагу приділено перевагам і обмеженням кожного підходу з урахуванням таких практичних аспектів, як масштабованість, прозорість моделей і проблема дисбалансу класів. Також проаналізовано останні досягнення у цій сфері, зокрема використання графових представлень фінансових взаємодій, поведінкове профілювання на основі IP-адрес, а також поява гібридних систем, які поєднують декілька методів МН, наприклад, автоенкодери з бустинговими алгоритмами, які використано для підвищення точності, особливо у випадках нестачі розмічених даних. Результати дослідження спрямовані на підтримку розробки гнучких, високоефективних систем виявлення шахрайства, які використовують найкращі практики МН та поєднують переваги гібридної архітектури моделей.