2268 Обнаружение аномалий в больших данных финансового сектора с использованием методов машинного обучения

Авдошин Сергей Михайлович

руководитель проекта

Старт

17.09.2025

Представление

05.11.2025 – 19.11.2025

Постерная сессия

26.01.2026 – 06.02.2026

Защита

06.04.2026 – 17.04.2026

Паспорт проекта

Аннотация

Финансовый сектор генерирует огромные объемы данных, включая транзакции, логи доступа, рыночные индикаторы и поведенческие паттерны клиентов. Обнаружение аномалий в этих данных позволяет выявлять мошенничество, кибератаки, ошибки в транзакциях и другие подозрительные активности. В данном исследовании рассматриваются методы машинного обучения для автоматического выявления аномалий в больших финансовых данных, сравнивается их эффективность и предлагаются подходы к улучшению точности...

Отрасль

Информатика

Цель

Разработка и сравнительный анализ методов машинного обучения для автоматического обнаружения аномалий в финансовых данных, включая мошеннические транзакции, киберугрозы и отклонения в рыночных показателях.

Ожидаемые результаты

Анализ современных методов обнаружения аномалий в финансовых данных
- Обзор существующих подходов (статистические методы, ML, DL, гибридные методы)
- Выявление ключевых проблем и ограничений в текущих решениях
- Анализ применимости методов для разных типов финансовых данных (транзакции, логи, временные ряды).
Подготовка и предобработка данных
- Сбор и разметка датасетов (например, Kaggle, банковские транзакции, рыночные данные)
- Очистка данных, обработка пропусков, нормализация

Форма и способы промежуточного контроля

1. Отчетность и документация Еженедельные отчеты Краткое описание выполненных задач.. Фиксация экспериментов, гипотез, результатов. Документирование кода и данных (README, комментарии). 2. Промежуточные презентации Демонстрация текущих результатов (графики, метрики). 3. Презентация этапов: обзор литературы, предобработка данных, тестирование моделей. 3. Проверка кода и экспериментов Code Review (GitHub/GitLab): Проверка корректности реализации алгоритмов. Воспроизводимость...

Форма представления результатов

Научно-технический отчет, оформленный в соответствии с ГОСТ 7.32-2017, объемом не менее 50 страниц, содержащий приложения, иллюстрационный материал, результаты анализ и экспериментов. Презентация проекта (слайды), предназначенная для итоговой защиты. Научные статьи или тезисы докладов, подготовленные для публикации в профильном сборнике или для участия в конференции

Ресурсное обеспечение

Вычислительные ресурсы: Локальные рабочие станции: GPU: NVIDIA RTX A5000 (16GB) CPU: Intel Xeon 8-ядерный RAM: 64GB DDR4 Облачная инфраструктура: Google Colab (для запуска моделей на GPU) Программный стек: ML-фреймворки: TensorFlow Extended (TFX), PyTorch Lightning Открытые наборы данных: 1. Транзакционные данные (платежи, мошенничество) IEEE-CIS Fraud Detection Источник: Kaggle PaySim Mobile Money Описание: Синтетические данные, имитирующие мобильные платежи Источник: Kaggle AMLSim...

Имеющийся задел

Глава книги Aleksandr Lazarenko, Sergey Avdoshin Financial Risks of the Blockchain Industry: A Survey of Cyberattacks , in : Proceedings of the Future Technologies Conference (FTC) 2018 Volume 2. / Ed. by A. Kohei, B. Rahul, K. Supriya. Vol. 2 Cham: Springer, 2019. doi P. 368–384.