| DC Field | Value | Language |
|---|
| dc.contributor.author | Правоторова, А. Ю. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-07-10T07:12:12Z | - |
| dc.date.available | 2026-07-10T07:12:12Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Правоторова, А. Ю. Разработка системы обнаружения банковского мошенничества с использованием гибридных алгоритмов = Development of a bank fraud detection system using hybrid algorithms / А. Ю. Правоторова // Электронные системы и технологии : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: П. В. Камлач [и др.]. – Минск, 2026. – С. 64–66. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/64550 | - |
| dc.description.abstract | Данная работа представляет разработку интеллектуальной системы для выявления
сложных мошеннических схем в банковских транзакциях. Система реализует гибридный подход,
объединяющий квантово-графовый анализ, нейроморфные вычисления и эволюционную оптимизацию
для обнаружения новых и адаптивных угроз. Решение обеспечивает высокую точность обнаружения
при минимальном уровне ложных срабатываний в условиях реального времени. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | интеллектуальные системы | en_US |
| dc.subject | гибридные алгоритмы | en_US |
| dc.subject | нейроморфные вычисления | en_US |
| dc.subject | мошеннические схемы | en_US |
| dc.subject | банковские транзакции | en_US |
| dc.title | Разработка системы обнаружения банковского мошенничества с использованием гибридных алгоритмов | en_US |
| dc.title.alternative | Development of a bank fraud detection system using hybrid algorithms | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This paper presents the development of an intelligent banking fraud detection system
designed to identify complex fraudulent transaction schemes in real time. The proposed solution is
based on a hybrid approach integrating quantum-inspired graph analysis, neuromorphic computing,
hypergraph modeling, and evolutionary optimization techniques. The system enables the detection
of both known and previously unseen adaptive fraud patterns by combining structural, temporal, and
behavioral transaction analysis. Experimental architectural evaluation demonstrates that the hybrid
model provides high fraud detection accuracy while maintaining a low false positive rate under
dynamic financial environments. The adaptive learning mechanisms embedded in the architecture
ensure continuous refinement of detection rules and pattern recognition models, making the system
suitable for deployment in modern banking infrastructures. | en_US |
| Appears in Collections: | Электронные системы и технологии : материалы 62-й конференции аспирантов, магистрантов и студентов (2026)
|
