10.14489/vkit.2026.07.pp.036-044

DOI: 10.14489/vkit.2026.07.pp.036-044

Кондрашов А. В., Бабенко А. А.
РАЗРАБОТКА И ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ МОШЕННИЧЕСКИХ ТРАНЗАКЦИЙ
(с. 36-44)

Аннотация. Рассмотрена задача выявления мошеннических транзакций. Выявлены проблемы в ее решении: дефицит реальных данных о транзакциях, дисбаланс классов, требования к интерпретируемости. Анализ исследований на публичных данных выявил утечку информации из-за случайных разбиений без учета времени и идентификаторов клиента или карты. Цель исследования – разработать и сравнить гибридные модели для выявления мошеннических транзакций на датасете IEEE-CIS Fraud Detection при строгой временной валидации. Гипотеза состоит в том, что объединение табличных и графовых моделей повышает PR-AUC и F1 относительно базовой модели Light Gradient Boosting Machine (LightGBM) без потери интерпретируемости. Научная новизна состоит в разработке модели с временным разделением данных и расчетом исторических признаков только по прошлым операциям, что снижает риск утечки информации. Предложена гетерогенная модель над графом «сущность→транзакция» с модулем MoE, где гейтинг экспертов формируется из CLS-представления FT-Transformer. Дополнительно применяется блендинг предсказаний GNN и LightGBM с интерпретацией через SHAP для бустинга и анализ внимания для GNN. Эксперименты показали, что корректная временная валидация снижает завышенные оценки качества существующих моделей, а предложенная архитектура дает прирост 2 % по PR-AUC и F1 относительно LightGBM.

Ключевые слова: фрод-детекция; банковская транзакция; трансформеры; графовые нейронные сети; Mixture of Experts; бустинг; блендинг; интерпретирумость модели.

Kondrashov A. V., Babenko A. A.
DEVELOPMENT AND APPLICATION OF MACHINE LEARNING METHODS FOR DETECTING FRAUDULENT TRANSACTIONS
(pp. 36-44)

Abstract. This paper addresses the problem of fraudulent transaction detection. Key challenges are identified, including limited access to real transaction data, severe class imbalance, and strong requirements for interpretability. An analysis of studies on public datasets reveals information leakage caused by random splits that ignore time and customer or card iden-tifiers. The goal of this research is to develop and compare hybrid models for fraud de-tection on the IEEE-CIS Fraud Detection dataset under strict time-based validation. The hypothesis is that combining tabular and graph models improves PR-AUC and F1 rela-tive to the LightGBM baseline without loss of interpretability. The scientific novelty lies in designing a model with temporal data splitting and historical features computed only from past transactions, which reduces the risk of information leakage. We propose a het-erogeneous model over an “entity-to-transaction” graph with a Mixture-of-Experts mod-ule, where expert gating is derived from the CLS representation of an FT-Transformer. In addition, we apply blending of GNN and LightGBM predictions, with interpretation via SHAP for boosting and attention analysis for the GNN. Experiments show that proper time-based validation reduces inflated performance estimates of existing models, while the proposed architecture yields a 2 % gain in PR-AUC and F1 over LightGBM.

Keywords: Fraud detection; Banking transaction; Transformers; Graph neural networks; Mixture of Experts; Boosting; Blending; Interpretability of the model.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

А. В. Кондрашов (Московский физико-технический институт (национальный исследовательский университет), Долгопрудный, Московская обл., Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
А. А. Бабенко (Волгоградский государственный университет, Волгоград, Россия)

Eng

A. V. Kondrashov (Moscow Institute of Physics and Technology (national research university) Dolgoprudny, Moscow region, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
A. A. Babenko (Volgograd State University, Volgograd, Russia)

+ - Библиографический список (References) Click to collapse

Рус

1. Елизарова С. А., Бабенко А. А. Методы анализа поведения пользователей в информационных системах // НБИ технологии. 2025. Т. 19, № 1. С. 5–11. DOI 10.15688/NBIT.jvolsu.2025.1.1
2. Gushchina Y., Babenko A., Bakhracheva Y. Development of software for detecting unauthorized traffic // AIP Conference Proceedings : 7. 18–22 May 2020. Ekaterinburg, Russia. Ekaterinburg, 2020. Art. 070025. DOI 10.1063/5.0033036
3. Банк России. Обзор операций без согласия клиентов [Электронный ресурс]. URL: https://cbr.ru/analytics/ib/operations_survey/2024 (дата обращения: 29.11.2025).
4. Attention is All You Need / A. Vaswani, N. Shazeer, N. Parmar et al. // arXiv. 2017. arXiv:1706.03762. 2025.
5. A Comprehensive Survey on Graph Neural Networks / Z. Wu, S. Pan, F. Chen et al. // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32, no. 1. P. 4–24. DOI: 10.1109/TNNLS.2020.2978386
6. Банк России. Применение искусственного интеллекта на финансовом рынке: подходы к регулированию: консультационный доклад [Электронный ресурс]. 30.10.2023. URL: https://www.cbr.ru/Content/Document/File/156061/Consultation_Paper_03112023.pdf (дата обращения: 29.11.2025).
7. Kaggle. IEEE-CIS Fraud Detection: Data [Электронный ресурс]. URL: https://www.kaggle.com/competitions/ieee-fraud-detection/data (дата обращения: 29.11.2025).
8. Wang Ch., Nie Ch., Liu Y. Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data // arXiv. 2025. arXiv:2505.22521. 2025.
9. Detthamrong U., Chansanam W., Boongoen T., Iam-On N. Enhancing Fraud Detection in Banking using Advanced Machine Learning Techniques // International Journal of Economics and Financial Issues. 2024. Vol. 14, No. 5. P. 177–184. DOI: 10.32479/ijefi.16613
10. Козунова С. С., Бабенко А. А. Система оптимизации рисков инвестирования информационной безопасности промышленных предприятий // Вестник компьютерных и информационных технологий. 2016. № 7(145). С. 22–29. DOI 10.14489/vkit.2016.07.pp.022-029. – EDN WEZNWN
11. Almalki F., Masud M. Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods // arXiv. 2025. arXiv:2505.10050. 2025.
12. Damanik N., Liu C.-M. Advanced Fraud Detection: Leveraging K-SMOTEENN and Stacking Ensemble to Tackle Data Imbalance and Extract Insights // IEEE Access. 2025. Vol. 13. P. 10356–10370. DOI: 10.1109/ACCESS.2025.3528079
13. Gorishniy Y., Rubachev I., Khrulkov V., Babenko A. Revisiting Deep Learning Models for Tabular Data // arXiv. 2021. arXiv:2106.11959. 2025.
14. Yuan M., Li Z., Wu J. Enhancing Fraud Detection with Heterogeneous Graph Neural Networks // arXiv. 2020. arXiv:2008.08692. 2025.
15. SCFCRC: Simultaneously Counteract Feature Camouflage and Relation Camouflage for Fraud Detection / X. Zhang, Z. Ye, G. Zhao et al. // arXiv. 2025. arXiv:2501.12430. 2025.

Eng

1. Elizarova, S. A., & Babenko, A. A. (2025). Methods of user behavior analysis in information systems. NBI tekhnologii, 19(1), 5–11. [in Russian language]. https://doi.org/10.15688/NBIT.jvolsu.2025.1.1
2. Gushchina, Y., Babenko, A., & Bakhracheva, Y. (2020). Development of software for detecting unauthorized traffic. In AIP Conference Proceedings (Vol. 7, Article 070025). Ekaterinburg, Russia. https://doi.org/10.1063/5.0033036
3. Bank of Russia. (2024). Review of transactions without client consent. Retrieved November 29, 2025, from https://cbr.ru/analytics/ib/operations_survey/2024 [in Russian language].
4. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. arXiv. https://arxiv.org/abs/1706.03762
5. Wu, Z., Pan, S., Chen, F., et al. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1), 4–24. https://doi.org/10.1109/TNNLS.2020.2978386
6. Bank of Russia. (2023). Application of artificial intelligence in the financial market: approaches to regulation: consultation paper. Retrieved November 29, 2025, from https://www.cbr.ru/Content/Document/File/156061/Consultation_Paper_03112023.pdf [in Russian language].
7. Kaggle. (n.d.). IEEE CIS fraud detection: Data. Retrieved November 29, 2025, from https://www.kaggle.com/competitions/ieee-fraud-detection/data
8. Wang, C., Nie, C., & Liu, Y. (2025). Evaluating supervised learning models for fraud detection: A comparative study of classical and deep architectures on imbalanced transaction data. arXiv. https://arxiv.org/abs/2505.22521
9. Detthamrong, U., Chansanam, W., Boongoen, T., & Iam On, N. (2024). Enhancing fraud detection in banking using advanced machine learning techniques. International Journal of Economics and Financial Issues, 14(5), 177–184. https://doi.org/10.32479/ijefi.16613
10. Kozunova, S. S., & Babenko, A. A. (2016). System for optimizing investment risks of information security of industrial enterprises. Vestnik komp'yuternykh i informatsionnykh tekhnologiy, (7), 22–29. [in Russian language]. https://doi.org/10.14489/vkit.2016.07.pp.022-029
11. Almalki, F., & Masud, M. (2025). Financial fraud detection using explainable AI and stacking ensemble methods. arXiv. https://arxiv.org/abs/2505.10050
12. Damanik, N., & Liu, C.-M. (2025). Advanced fraud detection: Leveraging K SMOTEENN and stacking ensemble to tackle data imbalance and extract insights. IEEE Access, 13, 10356–10370. https://doi.org/10.1109/ACCESS.2025.3528079
13. Gorishniy, Y., Rubachev, I., Khrulkov, V., & Babenko, A. (2021). Revisiting deep learning models for tabular data. arXiv. https://arxiv.org/abs/2106.11959
14. Yuan, M., Li, Z., & Wu, J. (2020). Enhancing fraud detection with heterogeneous graph neural networks. arXiv. https://arxiv.org/abs/2008.08692
15. Zhang, X., Ye, Z., Zhao, G., et al. (2025). SCFCRC: Simultaneously counteract feature camouflage and relation camouflage for fraud detection. arXiv. https://arxiv.org/abs/2501.12430

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2026.07.pp.036-044

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2026.07.pp.036-044

and fill out the form