< Terug naar vorige pagina

Project

Machine learning voor de analyse van fraude

Fraude blijft een belangrijke uitdaging voor bedrijven. De Association of Certified Fraud Examiners (ACFE) schat dat een typische organisatie 5% van zijn omzet verliest door fraude. Bovendien passen fraudeurs hun gedrag voortdurend aan als reactie op inspanningen om fraude op te sporen, waardoor er een nood is aan adaptieve fraude detectie systemen. Door de overvloedige beschikbaarheid van data lijken machine learning technieken zeer geschikt om dit probleem aan te pakken. Daarom is het doel om een adaptief, winstgedreven systeem te ontwikkelen voor het opsporen van fraude dat snel kan reageren op veranderingen in het gedrag van fraudeurs door continu te leren van de data. Gezien de complexiteit van reële organisaties moet dit systeem verder ook verschillende niveau's van informatie integreren. Vandaar zal de focus in het bijzonder liggen op ensemble meta-learning schemes. Deze behoren tot de meest krachtige supervised learning technieken en zijn inherent adaptief. Overigens is het mogelijk om deze gevoelig te maken aan kosten door de doelfunctie aan te passen. Deze nieuwe technieken zullen empirisch geëvalueerd worden op echte datasets. Op die manier tracht dit project toe te voegen aan de bestaande literatuur over winstgedreven analyse, kost-gevoelig leren, robuuste statistiek en gedragsanalyse van gebruikers en entiteiten voor de opsporing van fraude.

Datum:27 aug 2020 →  Heden
Trefwoorden:Fraud, Machine learning, Data analytics, Ensemble learning, Online learning, Multilevel learning
Disciplines:Statistiek, Machine learning en besluitvorming, Beslissings- en groepsondersteunende systemen, Bedrijfsinformatiemanagement
Project type:PhD project