Главная – Журналы – Вестник НГУЭУ 2026 номер 3

Широко используемые традиционные системы фрод-мониторинга, основанные на правилах, без соответствующей модернизации с применением инструментов искусственного интеллекта, не способны эффективно противодействовать мошенническим действиям, все чаще опирающимся на новые технологические достижения. В статье представлен систематический обзор отечественных литературных источников, посвященных вопросам применимости различных моделей и алгоритмов машинного обучения в приложении к задачам фрод-мониторинга. Цель предлагаемого исследования - нахождение перспективных направлений модернизации традиционных систем фрод-мониторинга на основе выявления, систематизации, ранжирования и экспериментального тестирования моделей и алгоритмов машинного обучения, а также сопоставления полученных результатов с аналогичными исследованиями зарубежных авторов, которые осуществлялись путем анализа потока зарубежных публикаций. В качестве методического фундамента при создании обзора был использован протокол PRISMA. Первоначальная выборка включала 853 публикации из российских баз данных eLibrary и CyberLeninka. В итоговую выборку после проведения всех этапов анализа по методу PRISMA вошли 39 опубликованных работ. Было рассмотрено 16 моделей и алгоритмов, включая модели глубокого обучения (LSTM, GNN, CYCLEGAN), оптимизационные алгоритмы (GA), гибриды квантовых вычислений с моделями глубокого обучения, классические (Random Forest, Isolation Forest, Decision Tree) и статистические модели (Clusterization, Regression, Bayes), градиентный бустинг (XGBoost, AdaBoost, CatBoost), а также модели балансировки данных (SMOTE, SMOTENN). Анализ публикаций показал, что при построении ан-тифрод-систем наиболее часто используются алгоритмы Random Forest (первое место) и Logistic Regression (второе место), а к числу наименее популярных относятся Isolation Forest и алгоритм Байеса. Полученные результаты коррелируют с исследованиями потока англоязычных публикаций, отраженных в работах зарубежных авторов. В рамках экспериментального исследования тестированию был подвергнут алгоритм, занявший первое место - Random Forest. Тестирование осуществлялось на массиве из 2,2 млн деперсонализированных операций банковских клиентов. В итоге показатель метрики Recall достиг 0,941, F1-score - 0,9267, ROC-AUC - 0,923, Precision - 0,9188, Accuracy - 0,9741. Это не противоречит результатам аналогичных экспериментов зарубежных авторов и дает практическое подтверждение предпочтительности выбора алгоритма Random Forest при выявлении мошеннических транзакций.