Faire Progresser la Détection d'Anomalies sur les Données Tabulaires : Étude de cas sur l'Identification des Fraudes au Paiement par Carte Bancaire

Les progrès récents dans le domaine de l'apprentissage automatique ont permis aux banques de s'appuyer sur ce type d'algorithmes pour renforcer leurs systèmes de détection de fraudes aux paiements par carte bancaire. Néanmoins, utiliser ces méthodes pour identifier les fraudes reste un défi en raison (i) du déséquilibre de classe et (ii) du changement de distribution. Les méthodes de détection d'anomalies (AD) apparaissent comme une solution potentielle en ce qu'elles sont insensibles à ces deux caractéristiques. Nous avons donc proposé deux nouvelles méthodes d'AD pour les données tabulaires. Puis, nous avons testé différentes méthodes d'AD sur un jeu de données de paiements par carte bancaire, et avons comparé leurs performances à celles des Gradient Boosted Decision Trees (GBDT). Nous observons un écart de performance significatif en faveur des GBDT, suggérant que les méthodes d'AD nécessitent davantage d'investigations pour concurrencer les GBDT pour la détection de fraudes.