УДК 004.031.43:336.74
DOI: 10.36871/26189976.2026.03-2.010

Авторы

Амир Рафаилевич Мухамадиев,
Казанский государственный энергетический университет, Казань, Россия
Вячеслав Максимович Слудников,
Казанский государственный энергетический университет, Казань, Россия
Данил Павлович Романов,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

В статье представлен аналитический обзор современных алгоритмов машинного обучения и глубокого обучения, применяемых для обнаружения мошеннических операций в финансовых транзакциях в режиме реального времени. Рассматриваются методы обучения с учителем, архитектуры глубокого обучения и графовые нейронные сети. Проведён сравнительный анализ алгоритмов по ключевым метрикам. Особое внимание уделяется проблемам дисбаланса классов, интерпретируемости моделей и масштабируемости систем. Результаты анализа показывают, что ансамблевые методы и гибридные архитектуры, сочетающие машинное обучение с графовыми нейронными сетями, обеспечивают наилучшие показатели обнаружения мошенничества при минимизации ложных срабатываний.

Ключевые слова

обнаружение мошенничества
машинное обучение
глубокое обучение
графовые нейронные сети
XGBoost
LSTM
автокодировщик
дисбаланс классов
финансовые транзакции
реальное время

Список литературы

[1] Гаджиева Г. М., Косулин В. В., Висаитова Б. Х. Информационные технологии в развитии интеллектуальных информационных систем // Учет и контроль. 2025. Т. 3. № 11. С. 179–187.

[2] Дыдалин Г. Д., Зарипова Р. С. Масштабирование нейронных сетей, проблемы и методы их решения // Приборостроение и автоматизированный электропривод в топливно-энергетическом комплексе и жилищно-коммунальном хозяйстве. X Национальная научно-практическая конференция. Казань, 2025. С. 883–885.

[3] Емалетдинова Л. Ю., Вильданов Н. Р., Катасев А. С. Использование нейросетевой модели TCN-LSTM для прогнозирования значений временного ряда // Научнотехнический вестник Поволжья. 2023. № 6. С. 62–64.

[4] Коданева А. В., Смирнов Ю. Н. Компоненты цифровых двойников предприятий: нейросетевые технологии и системы искусственного интеллекта // Цифровые системы и модели: теория и практика проектирования, разработки и применения: материалы национальной (с международным участием) научно-практической конференции. Казань, 2024. С. 867–871.

[5] Магомадов М. В., Овсеенко Г. А., Гериханов З. А. Исследование проблем интернетбезопасности в эпоху больших данных // Экономика и управление: проблемы, решения. 2024. Т. 5. № 4 (145). С. 240–245.

[6] Мустафин Р. Ф., Зарипова Р. С. Перспективы применения технологии блокчейн в финансовом секторе экономики // Информационные технологии в строительных, социальных и экономических системах. 2022. № 4 (30). С. 129–131.

[7] Мустахитдинова Ю. А., Смирнов Ю. Н. Применение нейросетевых технологий и систем искусственного интеллекта в создании цифровых двойников предприятий // Цифровые системы и модели: теория и практика проектирования, разработки и применения. Материалы национальной (с международным участием) научнопрактической конференции. Казань, 2024. С. 973–976.

[8] Мухамадиев А. Р., Зарипова Р. С. Обнаружение и предотвращение киберугроз в информационных системах с использованием искусственного интеллекта // Цифровая трансформация: тенденции и перспективы: сборник трудов IV Международной научно-практической конференции. Москва, 2025. С. 988–991. EDN DJXNQM.

[9] Семагин С. Р., Пырнова О. А. Роль искусственного интеллекта и машинного обучения в сфере кибербезопасности // Наука, образование, транспорт: актуальные вопросы, приоритеты, векторы взаимодействия. Материалы II Международной научно-методической конференции. Оренбург, 2023. С. 98–101.

[10] Симашев В. И., Нуриев М. Г. Разработка системы управления ассоциативнозащищёнными картографическими базами данных в распределённой вычислительной среде // Международный научно-исследовательский журнал. 2025. № 4(154). DOI 10.60797/IRJ.2025.154.89. EDN SKLIHT.

[11] Смирнов Ю. Н., Фатыхов Р. И. Об информационной безопасности промышленных предприятий в условиях цифровизации // Приборостроение и автоматизированный электропривод в топливно-энергетическом комплексе и жилищнокоммунальном хозяйстве. материалы IV Национальной научно-практической конференции. Казанский государственный энергетический университет. 2019. С. 43–46.

[12] Фам Т. Выявление мошенничества в реальном времени с использованием машинного обучения // Журнал компьютерных наук и технологий. 2024. Том 19, № . 2. С. 241–254.