Incremental learning for credit card fraud detection

The number of credit cards used worldwide is constantly growing. Market is moving in the extit{cashless} direction. This makes it easier for customers to pay, but at the same time provides more space for fraudsters, who are constantly looking for new techniques to carry out fraud. This continuous evolution, both in the habits of customers and in the techniques of fraudsters, is one of the main problems of fraud detection. In this work we want to address this problem, presenting techniques to allow adaptation to change, and at the same time not to lose the knowledge previously acquired. In particular, we deepen the study of diversity-based ensemble learning, proposing an approach that allows to preserve past knowledge and evaluating the impact of its different components and parameters. A second part of this work studies transfer learning, proposing different ideas to adapt a model built on obsolete knowledge to new, recent data. Extensive tests are carried out on artificial data, crafted for this purpose, and on real data, provided by our industrial partner, a leading company in the field of banking transactions.

Il numero di carte di credito utilizzate in tutto il mondo è in costante crescita. Il mercato si sta muovendo nella direzione del "cashless". Questo rende più facile pagare per i clienti, ma allo stesso tempo offre più spazio ai truffatori, che sono costantemente alla ricerca di nuove tecniche per realizzare le frodi. Questa continua evoluzione, sia nelle abitudini dei clienti che nelle tecniche dei truffatori, è uno dei principali problemi del rilevamento delle frodi. In questo lavoro vogliamo affrontare questo problema, presentando tecniche che permettano di adattarsi al cambiamento, e allo stesso tempo di non perdere le conoscenze precedentemente acquisite. In particolare, approfondiamo lo studio dell'apprendimento d'insieme basato sulla diversità, proponendo un approccio che permette di conservare la conoscenza passata e valutando l'impatto dei suoi diversi componenti e parametri. Una seconda parte di questo lavoro studia il transfer learning, proponendo diverse idee per adattare un modello costruito su conoscenze obsolete a dati nuovi e recenti. Vengono effettuati ampi test su dati artificiali, creati per questo scopo, e su dati reali, forniti dal nostro partner industriale, un'azienda leader nel campo delle transazioni bancarie.