Đề tài phân tích và trực quan hóa dữ liệu và xây dựng mô hình phát hiện gian lận giao dịch qua thẻ tín dụng

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT ĐỒ ÁN CUỐI KỲ - HK2 (2022-2023) MƠN HỌC PHÂN TÍCH DỮ LIỆU ĐỀ TÀI: PHÂN TÍCH VÀ TRỰC QUAN HĨA DỮ LIỆU VÀ XÂY DỰNG MƠ HÌNH PHÁT HIỆN GIAN LẬN GIAO DỊCH QUA THẺ TÍN DỤNG Mã lớp học phần: 222MI2101 Nhóm thực hiện: Nhóm ACCTV Giảng viên hướng dẫn: TS Nguyễn Thơn Dã Thành phố Hồ Chí Minh, tháng năm 2023 DANH SÁCH THÀNH VIÊN Mã số sinh viên Họ và tên Địa chỉ email K214142056 Trần Tất Anh anhtt21414@st.uel.edu.vn K214142057 Lê Phước Hồng Cẩm camlph21414@st.uel.edu.vn K214142058 Nguyễn Đình Chương chuongnd21414@st.uel.edu.vn K214142091 Trần Bảo Trân trantb21414@st.uel.edu.vn K214142100 Trần Ý Vy vyty21414@st.uel.edu.vn MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH ẢNH .2 TÓM TẮT PHẦN 1: GIỚI THIỆU 1.1 Lý chọn đề tài .4 1.2 Mục đích nghiên cứu .4 1.3 Phương pháp nghiên cứu PHẦN 2: CÁC NGHIÊN CỨU LIÊN QUAN .5 PHẦN 3: NỀN TẢNG LÝ THUYẾT .8 3.1 Học máy (Machine Learning) 3.2 Phương pháp cân bằng dữ liệu SMOTE 3.3 Mô hình K-Nearest Neighbors Classifier 3.4 Mô hình Decision Tree Classifier 3.5 Mô hình Random Forest Classifier .10 3.6 Mô hình XGBoost 10 PHẦN 4: PHÂN TÍCH VÀ TRỰC QUAN HÓA DỮ LIỆU 11 4.1 Hiểu liệu 11 4.2 Xử lý liệu 12 4.3 Khai phá liệu 12 4.3.1 Phần trăm điểm liệu giao dịch gian lận 12 4.3.2 Khám phá liệu “amt” 13 4.3.3 Khám phá liệu thời gian giao dịch .15 4.3.4 Khám phá liệu “gender” 18 4.3.5 Khám phá liệu “age” 19 4.3.6 Khám phá liệu “job” 20 4.3.7 Khám phá liệu “category” 21 PHẦN 5: XÂY DỰNG CÁC MƠ HÌNH PHÁT HIỆN GIAO DỊCH GIAN LẬN 22 5.1 Cân liệu 22 5.2 So sánh mơ hình 22 5.2.1 Ưu điểm mơ hình XGBoost 25 5.2.2 Nhược điểm mơ hình XGBoost 26 5.2.3 Hướng phát triển 26 PHẦN 6: KẾT LUẬN 28 TÀI LIỆU THAM KHẢO .29 DANH MỤC BẢNG Bảng 4.3.2: Bảng thống kê mô tả dữ liệu ‘amt’ .13 Bảng 5.2: So sánh các mô hình .22 Bảng 5.2: So sánh các mô hình .23 DANH MỤC HÌNH ẢNH Hình 4.1 Biểu đồ cột số lần giao dịch bình thường - gian lận 13 Hình 4.2 Biểu đồ cột khai phá liệu “amt” 14 Hình 4.3 Biểu đồ cột thời gian giao dịch theo ngày 15 Hình 4.4 Biểu đồ cột thời gian giao dịch theo ngày tuần .16 Hình 4.5 Biểu đồ cột thời gian giao dịch theo tháng năm 17 Hình 4.6 Biểu đồ cột khai phá liệu “gender” .18 Hình 4.7 Biểu đồ cột khai phá liệu “age” 19 Hình 4.8 Biểu đồ cột khai phá liệu “job” .20 Hình 4.9 Biểu đồ cột khai phá liệu “category” 21 Hình 5.1 Biểu đồ cột cân liệu với SMOTE 22 TÓM TẮT Trong thời đại công nghệ hóa – hiện đại hóa ngày càng phát triển, hoạt động toán qua thẻ tín dụng đã dần thay thế phương thức toán truyền thống, trở thành tiện ích tất yếu đời sống hằng ngày Chỉ với một tấm thẻ nhỏ lòng bàn tay, khách hàng có thể thực hiện giao dịch ở mọi lúc, mọi nơi cho toàn bộ hoạt động mua sắm của mình Tuy nhiên, kèm với những tiện lợi đó là rủi ro tiềm ẩn gây tổn thất tài chính lớn bởi doanh nghiệp bán hàng không thể kiểm tra ở đầu thẻ bên có phải chủ thẻ hay một khác Hơn thế nữa, số lượng tội phạm công nghệ cao tăng nhanh chóng mặt với nhiều thủ đoạn tinh vi, lợi dụng lỗ hổng của hàng rào bảo mật thẻ tín dụng non trẻ nhằm chiếm đoạt tài sản Trong bài nghiên cứu này, nhóm đã tập trung xây dựng mô hình phát hiện giao dịch qua thẻ tín dụng bằng phương pháp SMOTE, các mô hình K-Nearest Neighbors Classifier, Random Forest Classifier, Decision Tree Classifier, XGBoost nhằm lựa chọn mô hình phù hợp dựa so sánh hiệu quả phát hiện gian lận Kết quả cho thấy mô hình XGBoost Classifier có chỉ số F1-Score cao nhất (tới 0.9946) và là mô hình tối ưu nhất Từ khóa: Giao dịch gian lận, gian lận thẻ tín dụng, phân tích liệu, trực quan hóa liệu, học máy, mơ hình PHẦN 1: GIỚI THIỆU 1.1 Lý chọn đề tài Với phát triển vượt bậc hệ thống cơng nghệ thơng tin, hình thức toán ngân hàng ngày trở nên đa dạng Trong đó, thẻ tín dụng coi phương thức tốn nhanh chóng, tiện lợi phổ biến với người Song, phát triển với hình thức tốn hình thức lừa đảo, gian lận giao dịch tinh vi Hình thức gian lận giao dịch thường lừa đảo để đánh cắp thông tin thẻ tín dụng khách hàng để mua sắm, rút tiền thực giao dịch chuyển tiền trực tuyến, Điều gây rủi ro cho người dùng thẻ tiền, để lộ thông tin cá nhân thông tin quan trọng khác; mà cịn gây ảnh hưởng to lớn đến tính an toàn khả bảo mật hệ thống tốn ngân hàng Vì lý trên, nhóm tác giả chọn đề tài “Phân tích, trực quan hóa liệu xây dựng mơ hình phát gian lận giao dịch qua thẻ tín dụng” để nghiên cứu phát dấu hiệu đặc trưng thường có giao dịch gian lận 1.2 Mục đích nghiên cứu Mục đích đề tài xây dựng hệ thống phát gian lận giao dịch qua thẻ tín dụng hiệu giảm thiểu tổn thất tài tiết kiệm thời gian cơng sức việc xử lý vụ gian lận Hệ thống giúp cho ngân hàng tổ chức tài nhanh chóng phát giao dịch có nghi vấn gian lận kịp thời ngăn chặn hành vi lừa đảo 1.3 Phương pháp nghiên cứu Nhóm tác giả áp dụng phương pháp nghiên cứu phân tích liệu xây dựng mơ hình học máy để phát đặc trưng điển hình giao dịch gian lận qua thẻ tín dụng Phương pháp sử dụng kỹ thuật phân tích, trực quan hóa liệu học máy để xác định điểm gian lận phát giao dịch bất thường PHẦN 2: CÁC NGHIÊN CỨU LIÊN QUAN Gian lận giao dịch thẻ tín dụng vấn đề nhức nhối, ảnh hưởng đến tính bảo mật hệ thống tốn Do đó, nhiều nghiên cứu thực chủ đề Các nghiên cứu đáng ý bao gồm:  “GBG sử dụng máy học trí tuệ nhân tạo để phát gian lận giao dịch thẻ tín dụng toán kỹ thuật số” (Vietnam+, 2020): Trong viết này, GBG sử dụng máy học trí tuệ nhân tạo để phát gian lận thẻ tín dụng Hệ thống máy học GBG sử dụng thành công để cảnh báo khách hàng gian lận cải thiện khả phát gian lận bị bỏ sót  “Phương pháp học máy phát gian lận thẻ tín dụng - nghiên cứu thực nghiệm” (Nguyễn Thị Liên et al., 2018): Nghiên cứu tập trung vào cách sử dụng máy học giao dịch thẻ để phát gian lận thẻ tín dụng tơi Bài viết trình bày nghiên cứu thực nghiệm sử dụng kỹ thuật máy học Naive Bayes, KNearest Neighbors (KNN) Support Vector Machine (SVM) Kết nghiên cứu cho thấy kỹ thuật máy học phát gian lận cách hiệu  “Làm Machine Learning cải thiện phát gian lận thời gian thực” (Hồ Quang Thái, 2018): Bài viết tập trung vào lợi ích máy học phát gian lận giao dịch thẻ tín dụng Nó đề cập đến việc sử dụng máy học để chủ động phát gian lận cải thiện độ xác việc phát gian lận  “Máy học ngân hàng” (akaBot, 2022): Bài viết tìm hiểu việc sử dụng máy học ngành ngân hàng để cải thiện độ xác việc phát gian lận giao dịch thẻ tín dụng Điều nhấn mạnh cách học máy giúp tiết kiệm thời gian cải thiện trải nghiệm khách hàng  “Một số thuật toán ứng dụng phát gian lận tốn thẻ tín dụng” (Nguyễn Thị Hồng Loan, 2018): Khai phá liệu kỹ thuật ứng dụng hệ thống ngân hàng Bài báo trình bày số thuật tốn khai phá đánh giá hiệu hệ thống phát gian lận giao dịch thẻ tín dụng  “Phương pháp học máy phát gian lận thẻ tín dụng - nghiên cứu thực nghiệm” (Nguyễn Thị Liên, Nguyễn Thị Thu Trang, Nguyễn Chiến Thắng, 2018): Nghiên cứu giới thiệu phương pháp thống kê học máy để phát gian lận thẻ tín dụng ngân hàng thương mại Nghiên cứu ứng dụng mơ mơ hình Logistic, mạng Bayes (Bayesian Network), định (Decision trees), phương pháp Stacking (Stacked generalization) Ngoài ra, nghiên cứu đưa số cách xử lý trường hợp liệu cân Thơng qua kết so sánh mơ hình xử lý liệu cân   “A supervised machine learning algorithm for detecting and predicting fraud in credit card transactions A supervised machine learning algorithm for detecting and predicting fraud in credit card transactions” (Jonathan Kwaku Afriyie a et al., 2023): Bài viết đề xuất phương pháp học máy có giám sát để phát gian lận giao dịch thẻ tín dụng Nghiên cứu tập trung vào việc áp dụng thuật toán Random Forests để xử lý gian lận xác định độ xác phương pháp  “Credit Card Fraud Detection using Machine Learning Algorithms.” (Vaishnavi Nath Dornadula & S Geetha, 2019): Bài viết đề xuất phương pháp học máy có giám sát để phát gian lận giao dịch thẻ tín dụng Nghiên cứu tập trung vào việc áp dụng thuật toán Random Forests để xử lý gian lận xác định độ xác phương pháp  “Review of Anomaly Detection Techniques and Recent Advances” (Waleed Hilal et al., 2022): Bài viết tập trung vào việc áp dụng phương pháp học máy có giám sát việc phát gian lận giao dịch thẻ tín dụng Nghiên cứu đề xuất mơ hình kết hợp dựa Support Vector Machine (SVM) Bayesian Optimization để tăng cường hiệu suất phát gian lận giao dịch thẻ tín dụng Ngồi ra, viết tăng tiếp tục vào đầu mùa hè người chuẩn bị cho kỳ nghỉ hè hoạt động trời Mặt khác, phân phối giao dịch gian lận phát không đồng mùa, có tăng lên vào thời điểm kỳ nghỉ lễ, mùa mua sắm kiện đặc biệt khác Điều kẻ lừa đảo cố gắng che giấu hoạt động gian lận chúng cách lợi dụng mật độ người dùng lưu lượng giao dịch cao khoảng thời gian 4.3.4 Khám phá liệu “gender” Hình 4.6 Biểu đồ cột khai phá liệu “gender” Nguồn: Nhóm tác giả thực Dữ liệu dường cho thấy nữ nam có xu hướng bị tội phạm gian lận giao dịch tấn cơng Do đó, giới tính khơng phải yếu tố để phát giao dịch có phải gian lận hay khơng 19 4.3.5 Khám phá liệu “age” Hình 4.7 Biểu đồ cột khai phá liệu “age” Nguồn: Nhóm tác giả thực Trong giao dịch cho bình thường, ta quan sát hai đỉnh phân phối độ tuổi Đỉnh nhóm tuổi 30-35, phản ánh nhóm người trẻ tuổi tham gia vào hoạt động tài vay mượn, mua sắm đầu tư Đỉnh cao thứ hai độ tuổi từ 45-50, phản ánh nhóm người trưởng thành có thu nhập ổn định quan tâm đến việc quản lý tài cá nhân Mặt khác, phân bố độ tuổi giao dịch bị nghi ngờ gian lận đỉnh khoảng 30-35 tuổi (như giao dịch bình thường), đỉnh thứ hai dịch chuyển vào khoảng 50-60 tuổi Điều cho thấy người lớn tuổi, đặc biệt người gần 60 tuổi, có khả dễ bị lừa đảo Một số giải thích cho tượng người lớn tuổi cho dễ bị lừa đảo họ thiếu kinh nghiệm công nghệ, dễ tin tưởng vào người khác trang bị kiến thức hình thức lừa đảo Những kẻ lừa đảo cố 20 gắng lợi dụng nhóm người cách sử dụng thủ đoạn gian lận tinh vi gọi điện thoại, gửi email khơng có thật đưa đề nghị không trung thực để chiếm đoạt tài sản, mã số thẻ tín dụng họ 4.3.6 Khám phá liệu “job” Hình 4.8 Biểu đồ cột khai phá liệu “job” Nguồn: Nhóm tác giả thực Dựa vào biểu đồ, top 20 nghề nghiệp Broadcast journalist, Industrial buyer, Personnel officer, có tỷ lệ phần trăm giao dịch coi gian lận đạt 100% Điều cho thấy ngành nghề thường sử dụng giao dịch thẻ tín dụng thường khơng đề phịng việc xâm nhập thơng tin thẻ tín dụng Do đó, họ dễ dàng trở thành đối tượng mà tội phạm gian lận giao dịch nhắm đến.  21 4.3.7 Khám phá liệu “category” Hình 4.9 Biểu đồ cột khai phá liệu “category” Nguồn: Nhóm tác giả thực Một vài lĩnh vực cho thấy xảy nhiều gian lận lĩnh vực khác Giao dịch cho gian lận có xu hướng xảy thường xuyên lĩnh vực Shopping_net, Grocery_pos Misc_net; Grocery_net, Shopping_pos, Misc_pos hầu hết có xu hướng giao dịch bình thường 22 PHẦN 5: XÂY DỰNG CÁC MƠ HÌNH PHÁT HIỆN GIAO DỊCH GIAN LẬN 5.1 Cân liệu Hình 5.1 Biểu đồ cột cân liệu với SMOTE Nguồn: Nhóm tác giả thực 5.2 So sánh mơ hình Model 1.K-Nearest Neighbors Random Cohen's Accuracy F1 Score Precision Recall 0.985622 0.985620 0.985877 0.985622 0.971245 0.968355 0.968354 0.968369 0.968355 0.936709 23 Kappa Forest Decision Tree XGBoost 0.979310 0.979309 0.979359 0.979310 0.958620 0.994643 0.994643 0.994644 0.994643 0.989287 Bảng so sánh các mơ hình Nguồn: Nhóm tác giả thực Nhóm tác giả đưa tiêu chí tiêu biểu để so sánh, đánh giá lựa chọn mô hình tốt cho nghiên cứu sau: Accuracy Accuracy giúp F1 score Cohen's Kappa đo F1 score số đo Cohen's Kappa giúp đo lường tỷ lệ dự đoán kết hợp precision lường độ tin cậy xác mơ hình recall thường mơ hình việc tồn liệu, sử dụng phân loại giao dịch bao gồm giao toán cân thành gian lận bình dịch gian lận bình liệu Nó đo lường thường Nó tính tốn Ý nghĩa thường cân độ khác biệt độ xác dự đốn xác quan sát positive khả độ tìm tất xác ngẫu nhiên dự đốn positive instances Lý Accuracy tiêu chí F1 Score tiêu chí Cohen's Kappa 24 đơn giản dễ hiểu, quan trọng tiêu chí đo lường đo lường tỷ lệ dự đoán toán cân đồng dự đốn xác tổng số liệu phát mơ hình thực tế, mẫu gian lận Nó cân nhắc điều chỉnh cho khớp precision recall, ngẫu nhiên Đây chọn giúp đo lường cân tiêu chí phù hợp việc dự đốn trường hợp liệu gian lận khả cân tìm tất giao dịch gian lận Accuracy= Công thức TP+TN TPre F score= 2xPxR P+ R ' Coℎe n sKappa= OA − EA 1− EA Trong đó: Trong đó: Trong TP:True Positives P: Precision OA: Observed TN: True Negatives R: Recall Accuracy tỷ lệ TPre: Total Prediction dự đốn xác EA: Expected Accuracy tỷ lệ dự đốn xác trường hợp dự đoán ngẫu nhiên 25 Accuracy số Đối với toán phát Cohen's Kappa đánh quan trọng để đánh giá gian lận, việc cân giá khớp dự tổng thể hiệu suất nhắc precision đốn mơ hình mơ hình Nó cho thấy recall quan trọng thực tế, loại trừ ảnh mức độ xác tổng F1 Score giúp bạn đánh hưởng việc phân quan mơ hình giá khả mơ loại ngẫu nhiên Điều việc phân loại hình việc phát giúp bạn đánh giá Lợi ích hai lớp giao dịch (gian gian lận đồng hiệu suất mơ hình lận bình thường) thời giảm thiểu khả cách xác Tuy nhiên, liệu có giao hơn, đặc biệt cân bằng, dịch gian lận bị bỏ sót trường hợp liệu Accuracy khơng có giao cân phản ánh xác dịch bình thường bị hiệu suất mơ hình phân loại nhầm gian lận Mơ hình XGBoost (0.994643) XGBoost (0.994643) XGBoost (0.989287) chọn Bảng so sánh các mô hình Bằng cách kết hợp loại số Accuracy, F1 Score Cohen's Kappa, tác giả có nhìn tồn diện hiệu suất mơ hình việc phát gian lận đánh giá khả cân precision, recall độ xác tổng thể Qua nhóm tác giả kết luận mơ hình XGBoost có kết tốt nên chọn cho toán phát gian lận giao dịch thẻ tín dụng.  26 5.2.1 Ưu điểm mơ hình XGBoost  Đạt kết tốt tất tiêu chí: accuracy, F1 score, precision, recall Cohen's Kappa  Hiệu suất cao: XGBoost xây dựng sở Gradient Boosting Framework, có khả xử lý hiệu toán phức tạp liệu lớn Nó thường có hiệu suất cao so với mơ hình truyền thống khác Decision Tree hay Random Forest  Khả xử lý liệu cân bằng: XGBoost xử lý tốt vấn đề liên quan đến cân liệu, trường hợp bạn sử dụng phương pháp SMOTE để cân liệu Nó điều chỉnh trọng số cho lớp thiểu số lớp đa số để tăng cường khả phát gian lận  Xử lý loại biến đặc trưng: XGBoost có khả xử lý tốt biến đặc trưng có dạng số, nhị phân hạng mục Bạn khơng cần tiền xử lý nhiều để chuyển đổi biến đặc trưng 5.2.2 Nhược điểm mơ hình XGBoost  Địi hỏi tài ngun tính tốn cao: XGBoost u cầu tài ngun tính tốn lớn, đặc biệt liệu lớn số lượng định tham số tinh chỉnh cao Điều làm tăng thời gian huấn luyện địi hỏi hệ thống có khả xử lý cao  Điều chỉnh tham số phức tạp: XGBoost có nhiều tham số cần tinh chỉnh để đạt hiệu suất tốt Việc điều chỉnh tham số địi hỏi hiểu biết sâu mơ hình thử nghiệm nhiều cấu hình khác Điều làm tăng thời gian công sức để điều chỉnh mơ hình  Khả diễn giải thấp: XGBoost mơ hình phức tạp với nhiều định kết hợp định Điều làm giảm tính khả diễn giải mơ hình, tức khó để hiểu cách mơ hình định giải thích kết dự đốn 27 5.2.3 Hướng phát triển Để phát triển mơ hình XGBoost trở nên tốt hơn, nhóm tác giả đề xuất số ý kiến sau:  Tiếp tục tinh chỉnh siêu tham số mơ hình XGBoost để tối ưu hóa hiệu suất  Xem xét sử dụng phương pháp kết hợp mơ hình (ensemble) để cải thiện kết và giảm thiểu overfitting  Nâng cấp liệu cách thu thập thêm thơng tin nâng cấp tính hữu ích cho việc phát gian lận  Kiểm tra kết liệu kiểm tra độc lập để đảm bảo tính tổng quát mơ hình  Sử dụng thư viện vaex với chức bao gồm đọc xử lý liệu lớn, thực thao tác cột mà không cần tải toàn liệu vào nhớ, cung cấp tính đa luồng để tăng tốc độ xử lý 28 PHẦN 6: KẾT LUẬN Chủ đề phát gian lận giao dịch thẻ tín dụng trở thành lĩnh vực nghiên cứu quan trọng thú vị lĩnh vực tài bảo mật thông tin Điều cấp bách hình thức gian lận thẻ tín dụng ngày phức tạp, gây mối đe dọa ngày tăng tính tồn vẹn bảo mật hệ thống tốn Các phương pháp cơng nghệ phát gian lận giao dịch thẻ tín dụng liên tục phát triển cải tiến để đảm bảo hiệu độ xác cao việc phát gian lận Việc sử dụng công nghệ cải tiến lĩnh vực không giúp phát ngăn chặn gian lận cách hiệu mà cịn giúp giảm rủi ro tài bảo vệ thông tin tài khoản khách hàng Tương lai đòi hỏi hợp tác chặt chẽ tổ chức tài nhà nghiên cứu để nghiên cứu phát triển phương pháp kỹ thuật phát gian lận nhằm giảm thiểu rủi ro bảo vệ thông tin Điều bao gồm tăng cường khả chống gian lận thẻ tín dụng hệ thống tốn an tồn ngân hàng Trên sở nghiên cứu phát triển công nghệ phát gian lận giao dịch thẻ tín dụng, đề tài kỳ vọng góp phần bảo vệ thông tin tài khoản, giảm thiểu thiệt hại kinh tế đảm bảo an toàn, tin cậy cho giao dịch tài 29 TÀI LIỆU THAM KHẢO [1] Kartik Shenoy (2020, August 5) Credit Card Transactions Fraud Detection Dataset Kaggle Retrieved May 14, 2023, from https://www.kaggle.com/datasets/kartik2112/fraud-detection [2] Binny Mathews, & Omair Aasim (2023, April 23) Credit Card Fraud Detection Project using Machine Learning ProjectPro Retrieved May 14, 2023, from https://www.projectpro.io/article/credit-card-fraud-detection-project-with-source-code-inpython/568?fbclid=IwAR0jvxirgJvT3DZLUtGM2eGdbkG1XN73pP7xAPuOlEbUwUm3xC2qUbBkvE [3] Hoàng Thị Thúy, & Lê Thị Xuân Thu (2021, March 5) Phát Hiện Gian Lận Thẻ Tín Dụng Bằng Học Máy Cơ sở liệu quốc gia Khoa học Công nghệ Retrieved May 14, 2023, from https://sti.vista.gov.vn/tw/Lists/TaiLieuKHCN/Attachments/315353/ CTv60S2852021076.pdf [4] Le James (2016, August 18) The 10 Algorithms Machine Learning Engineers Need to Know KDnuggets Retrieved May 14, 2023, from http://www.kdnuggets.com/2016/08/10-algorithms-machine-learning-engineers.html [5] Đức Trung (2021, August 28) Đánh giá mơ hình học máy Viblo Retrieved May 14, 2023, from  https://viblo.asia/p/danh-gia-cac-mo-hinh-hoc-may-RnB5pp4D5PG [6] Vietnam+ (2020, May 28) GBG sử dụng học máy AI để phát gian lận giao dịch thẻ tín dụng, tốn số… | Thơng cáo báo chí | Vietnam+ VietnamPlus Retrieved May 29, 2023, from  30 https://www.vietnamplus.vn/gbg-su-dung-hoc-may-va-ai-de-phat-hien-gian-lan-tronggiao-dich-the-tin-dung-thanh-toan-so/642600.vnp [7] Nguyễn Thị Liên, Nguyễn Thị Trang, & Nguyễn Chiến Thắng (2018, 10) Phương pháp học máy phát gian lận thẻ tín dụng - nghiên cứu thực nghiệm Retrieved May 16, 2023, from https://ktpt.neu.edu.vn/tap-chi/so-256ii/muc-luc-661/phuong-phap-hoc-may-trong-phathien-gian-lan-the-tin-dung-mot-nghien-cuu-thuc-nghiem.378964.aspx [8] Hồ Quang Thái (2018, June 1) Làm Machine Learning cải thiện phát gian lận thời gian thực HelpEx Retrieved May 16, 2023, from https://helpex.vn/article/lam-the-nao-machine-learning-co-the-cai-thien-phat-hien-gianlan-trong-thoi-gian-thuc-5c6643afae03f60128765725 [9] akaBot (2022, January 5) Trường Hợp Sử Dụng Machine Learning Trong Ngân Hàng akaBot Retrieved May 17, 2023, from  https://akabot.com/vi/tai-nguyen/blog/machine-learning-trong-ngan-hang/ [10] Hoàng Thị Thúy, & Lê Thị Xuân Thu (2021, March 5) Phát gian lận thẻ tín dụng học máy Cơ sở liệu quốc gia Khoa học Công nghệ Retrieved May 17, 2023, from https://sti.vista.gov.vn/tw/Lists/TaiLieuKHCN/Attachments/315353/ CTv60S2852021076.pdf [11] Nguyễn Thị Loan Hồng (2018) Một số thuật toán ứng dụng phát gian lận tốn thẻ tín dụng Tạp chí Khoa học Tài ngun Mơi trường - Số 22 Retrieved May 18, 2023, from https://vjol.info.vn/index.php/hunre/article/view/40424/32473 [12] Jonathan Kwaku Afriyie a, Kassim Tawiah, Wilhemina Adoma Pels a, Sandra Addai-Henne, Harriet Achiaa Dwamena, Emmanuel Odame Owiredu, Samuel Amening 31 Ayeh, & John Eshun (2023, January 14) A supervised machine learning algorithm for detecting and predicting fraud in credit card transactions Retrieved May 20, 2023, from https://www.sciencedirect.com/science/article/pii/S2772662223000036 [13] Vaishnavi Nath Dornadula, & S Geetha (2019) Credit Card Fraud Detection using Machine Learning Algorithms Retrieved May 20, 2023, from https://www.sciencedirect.com/science/article/pii/S187705092030065X?via%3Dihub [14] Waleed Hilal, S Andrew Gadsden, & John Yawney (2022, May 1) Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances Retrieved May 22, 2023, from  https://www.sciencedirect.com/science/article/pii/S0957417421017164?via%3Dihub [15] Sumit Misra, Soumyadeep Thakur, Manosij Ghosh, & Sanjoy Kumar Saha (2020) An Autoencoder Based Model for Detecting Fraudulent Credit Card Transaction Retrieved May 22, 2023, from  https://www.sciencedirect.com/science/article/pii/S1877050920306840 [16] Xuan, S., Liu, G., Li, Z., Zheng, L., Wang, S., & Jiang, C (2018, March) Random forest for credit card fraud detection In 2018 IEEE 15th international conference on networking, sensing and control (ICNSC) (pp 1-6) IEEE Retrieved May 22, 2023, from https://scholar.google.com/scholar_lookup?title=Random%20forest%20for%20credit %20card%20fraud%20detection&publication_year=2018&author=S %20Xuan&author=S.%20Wang [17] Tyagi, R., Ranjan, R., & Priya, S (2021, November) Credit Card Fraud Detection Using Machine Learning Algorithms In 2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC) (pp 334-341) IEEE Retrieved May 23, 2023, from  32 https://scholar.google.com/scholar?q=R.%20Tyagi,%20R.%20Ranjan,%20S.%20Priya, %20Credit%20card%20fraud%20detection%20using%20machine%20learning %20algorithms.%20%20334341 [18] Tran, T C., & Dang, T K (2021, January) Machine learning for prediction of imbalanced data: Credit fraud detection In 2021 15th International Conference on Ubiquitous Information Management and Communication (IMCOM) (pp 1-7) IEEE Retrieved May 23, 2023, from  https://scholar.google.com/scholar_lookup?title=Machine%20learning%20for %20prediction%20of%20imbalanced%20data%20%3A%20Credit%20fraud %20detection.%20Ml&publication_year=2021&author=T.C.%20Tran&author=B.T %20District&author=H.%20Chi&author=M.%20City&author=T.K %20Dang&author=H.%20Chi&author=M.%20City&author=L.T %20Ward&author=T.D.%20District&author=H.%20Chi&author=M.%20City [19] Awoyemi, J O., Adetunmbi, A O., & Oluwadare, S A (2017, October) Credit card fraud detection using machine learning techniques: A comparative analysis In 2017 international conference on computing networking and informatics (ICCNI) (pp 1-9) IEEE Retrieved May 23, 2023, from  https://scholar.google.com/scholar?q=Awoyemi,%20John%20O.,%20et%20al.%20Credit %20Card%20Fraud%20Detection%20Using%20Machine%20Learning%20Techniques: %20A%20Comparative%20Analysis.%202017%20International%20Conference%20on %20Computing%20Networking%20and%20Informatics %20,%202017,%20doi:10.1109iccni.2017.8123782 [20] Zou, J., Zhang, J., & Jiang, P (2019) Credit card fraud detection using autoencoder neural network arXiv preprint arXiv:1908.11553 Retrieved May 25, 2023, from  https://scholar.google.com/scholar?q=Jiang,%20P.,%20Zhang,%20J.,%20%20Zou,%20J %20.%20Credit%20Card%20Fraud%20Detection%20Using%20Autoencoder%20Neural %20Network.%20Retrieved%20from%20arXiv:1908.11553 33