مقاله «Deep learning for fraud detection in retail transactions» که 11 نوامبر 2020 در وب‌سایت مدیوم منتشر شده، نگاهی به چالش‌های تشخیص تقلب و راه‌حل‌های مبتنی‌بر یادگیری عمیق برای تشخیص تقلب در تراکنش‌های خرد دارد. یادگیری عمیق در این مسئله، مانند بسیاری از مسائل یادگیری ماشین، می‌تواند عملکرد بهتری داشته باشد.
از جمله چالش‌های تشخیص تقلب در تراکنش‌های خرد می‌توان به نیاز به دسترسی به مقدار زیادی اطلاعات لحظه‌ای و تاریخی درباره مشتری و تراکنش‌ها، نحوه کسب اطمینان از متقلبانه‌بودن خرید و نیاز به پیش‌پردازش زیاد داده‌ها اشاره کرد.
این مقاله در ادامه به‌طور مفصل به چند راه‌حل مبتنی‌بر یادگیری عمیق برای تشخیص تقلب می‌پردازد. یکی از آنها ساختار انکدر-دیکدر یا اتوانکدر است. دیگری شبکه مولد تخاصمی است. نویسنده به بررسی هر کدام از این شیوه‌ها و طرح مزیت‌ها و محدودیت‌های هر کدام می‌پردازد. در ادامه نیز چند مدل نیمه نظارتی را معرفی می‌کند که می‌توانند در این زمینه مفید باشند.
انتقال یادگیری نیز روش دیگری است که معرفی می‌شود. در این روش اگر مدل مبتنی‌بر یادگیری عمیقی داشته باشیم که آن را با مجموعه داده بزرگی برای مسئله یا کاربرد تشخیص تقلبی آموزش داده باشیم، می‌توانیم با ایجاد تغییرات جزئی در پارامترها از آن برای مسئله یا کاربرد مشابه دیگری استفاده کنیم.
منبع: