Resumen

En la actualidad, cada vez hay más fraudes en el ámbito financiero. La detección y prevención de fraudes financieros son de gran importancia para regular y mantener un orden financiero razonable. Los algoritmos de aprendizaje profundo son ampliamente utilizados debido a su alta tasa de reconocimiento, buena robustez y fuerte implementación. Por lo tanto, en el contexto de los grandes datos del comercio electrónico, este artículo propone un algoritmo de detección cuantitativa de fraudes financieros basado en aprendizaje profundo. En primer lugar, se utilizan los codificadores para extraer las características del comportamiento. Al mismo tiempo, para reducir la complejidad computacional, la extracción de características se restringe al volumen espacio-temporal de la trayectoria densa. En segundo lugar, se utiliza el modelo de red neuronal para transformar las características en representaciones visuales de palabras de comportamiento, y se realiza una fusión de características utilizando métodos de correlación ponderados para mejorar las capacidades de clasificación de características. Finalmente, se utilizan errores de reconstrucción dispersos para juz

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Fraudes financieros; Algoritmos de aprendizaje profundo; Algoritmo de detección; Codificadores; Modelo de red neuronal; Extracción de características
• Keywords:Financial frauds; Deep learning algorithms; Detection algorithm; Encoders; Neural network model; Feature extraction