Εφαρμογή τεχνικών μηχανικής μάθησης γράφων για ανίχνευση απάτης συναλλαγών
| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Πασχάλης, Γεώργιος | |
| dc.date.accessioned | 2025-05-05T07:20:50Z | |
| dc.date.available | 2025-05-05T07:20:50Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17717 | |
| dc.description.abstract | Η ανίχνευση απάτης στις οικονομικές συναλλαγές αποτελεί κρίσιμο ζήτημα στον τομέα των χρηματοοικονομικών, καθώς η ταχεία ανάπτυξη της τεχνολογίας έχει αυξήσει τη συχνότητα και την πολυπλοκότητα των δόλιων δραστηριοτήτων. Οι παραδοσιακές μέθοδοι ανάλυσης δεδομένων συχνά αποδεικνύονται ανεπαρκείς για την αντιμετώπιση της αυξανόμενης πολυπλοκότητας αυτών των προβλημάτων. Σε αυτό το πλαίσιο, οι αλγόριθμοι μηχανικής μάθησης για γραφήματα (Graph Machine Learning) αναδεικνύονται ως μια καινοτόμος και ισχυρή προσέγγιση για την ανίχνευση απάτης, καθώς επιτρέπουν την αξιοποίηση των δομικών χαρακτηριστικών και των σχέσεων μεταξύ των δεδομένων. Η παρούσα διατριβή εξετάζει την εφαρμογή των αλγορίθμων μηχανικής μάθησης για γραφήματα στην ανίχνευση απάτης στις οικονομικές συναλλαγές. Αναλύονται σύγχρονες τεχνικές όπως η Graph Neural Networks (GNNs), η Graph Convolutional Networks (GCNs), ενώ παράλληλα διερευνώνται τα πλεονεκτήματα και οι περιορισμοί τους σε πραγματικά σενάρια. Μέσα από την ενσωμάτωση χαρακτηριστικών όπως η τοπολογία του γραφήματος, η ανάλυση των συσχετίσεων και η δυναμική των δεδομένων, η διατριβή παρουσιάζει ένα πλαίσιο που στοχεύει στη βελτίωση της ακρίβειας και της αποτελεσματικότητας στην ανίχνευση δόλιων συναλλαγών. Τα αποτελέσματα της έρευνας υποδεικνύουν ότι οι αλγόριθμοι μηχανικής μάθησης για γραφήματα μπορούν να αναδείξουν κρυμμένα μοτίβα απάτης, προσφέροντας ένα ισχυρό εργαλείο για την αντιμετώπιση της απάτης στις οικονομικές συναλλαγές. Η μελέτη καταλήγει με συστάσεις για μελλοντική έρευνα και πιθανές εφαρμογές σε βιομηχανικά περιβάλλοντα. | el |
| dc.format.extent | 102 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Εφαρμογή τεχνικών μηχανικής μάθησης γράφων για ανίχνευση απάτης συναλλαγών | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Fraud detection in financial transactions constitutes a critical issue in the field of finance, as the rapid advancement of technology has increased the frequency and complexity of fraudulent activities. Traditional data analysis methods often prove inadequate in addressing the growing complexity of these problems. In this context, graph machine learning algorithms emerge as an innovative and powerful approach to fraud detection, as they enable the exploitation of structural features and relationships within the data. This thesis examines the application of graph machine learning algorithms in detecting fraud in financial transactions. Modern techniques such as Graph Neural Networks (GNNs) and Graph Convolutional Networks (GCNs) are analyzed, while their advantages and limitations are explored in real-world scenarios. Through the integration of features such as graph topology, correlation analysis, and data dynamics, the thesis presents a framework aimed at improving the accuracy and effectiveness of fraudulent transaction detection. The research findings suggest that graph machine learning algorithms can reveal hidden fraud patterns, offering a powerful tool to combat fraud in financial transactions. The study concludes with recommendations for future research and potential applications in industrial settings. | el |
| dc.corporate.name | Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του ΕΚΕΦΕ «Δημόκριτος» | el |
| dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
| dc.subject.keyword | Θεωρία γράφων | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Βαθιά μηχανική μάθηση | el |
| dc.subject.keyword | GCN | el |
| dc.subject.keyword | GNN | el |
| dc.date.defense | 2025-03-06 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα