Facdo: dengesiz kredi riski ve dolandırıcılık sınıflandırmasında azınlık sınıfı için özellik-farkındalıklı koşullu difüzyon tabanlı aşırı örnekleme yöntemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Uygulamalı Matematik Enstitüsü, Bilimsel Hesaplama Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: İngilizce
Öğrenci: ONUR YAMAN
Danışman: ÖMÜR UĞUR
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kredi riski modellemesi ve dolandırıcılık tespiti için kullanılan veri kümeleri genellikle oldukça dengesizdir; temerrütler veya dolandırıcılık işlemleri toplam gözlemlerin yalnızca küçük bir bölümünü oluşturur. Bu azınlık olaylarını doğru biçimde belirlemek kritik öneme sahiptir; çünkü gözden kaçan temerrütler beklenen kredi zararlarının olduğundan düşük tahmin edilmesine, hatalı sermaye gereksinimlerine ve kredi portföyünün yanlış fiyatlanmasına yol açarken, tespit edilemeyen dolandırıcılık doğrudan finansal kayıplara ve operasyonel riske neden olur. Bu tür dengesiz ortamlarda, klasik sınıflandırıcılar, özellikle LightGBM ve XGBoost gibi gradyan artırmalı karar ağaçları, ikili çapraz-entropi amacının çoğunluk sınıfı tarafından baskın şekilde belirlenmesi nedeniyle sıklıkla zorlanır. Bu tez, Özellik-Farkındalıklı Koşullu Difüzyon Tabanlı Aşırı Örnekleme Yöntemi adlı, şiddetli dengesizliğe sahip finansal tabular veriler için uyarlanmış difüzyon tabanlı bir aşırı örnekleme çerçevesi önermektedir. Özellik-Farkındalıklı Koşullu Difüzyon Tabanlı Aşırı Örnekleme Yöntemi, Gürültü Gideren Difüzyon Olasılıksal Modelleri paradigması üzerine kurulmakta ve azınlık örnek kalitesini artırmak için görev odaklı mekanizmalarla genişletilmektedir. Özellik-Farkındalıklı Koşullu Difüzyon Tabanlı Aşırı Örnekleme Yöntemi, Shapley Katkı Açıklamaları türevi özellik-önem bilgilerini Özellik-Bazlı Doğrusal Modülasyon yoluyla gürültü giderme sürecine koşullandırma olarak entegre eder ve üretimi azınlık manifoldu üzerinde sınıfla tutarlı bölgelere yönlendirir. Sınıflandırıcısız rehberlik örnekleme yörüngesini ayrıca şekillendirir ve geometrik yakınlık ile olasılığa dayalı tutarlılığa dayanan iki aşamalı bir filtreleme stratejisi düşük kaliteli adayları eler ve bilgilendirici örnekleri korur. Özellik-Farkındalıklı Koşullu Difüzyon Tabanlı Aşırı Örnekleme Yöntemi tarafından üretilen örnekler eğitim verisini zenginleştirmek için kullanılmakta ve aşağı akıştaki LightGBM ve XGBoost sınıflandırma modelleri iki temerrüt olasılığı veri kümesi ve bir kredi kartı dolandırıcılığı veri kümesi üzerinde değerlendirilmektedir. Sonuçlar, önerilen yöntemin yaygın olarak kullanılan aşırı örnekleme temel yöntemlerine kıyasla Duyarlılık, F1-skoru, Geometrik Ortalama ve Kesinlik-Duyarlılık Eğrisi Altındaki Alan gibi azınlık-duyarlı metriklerde tutarlı iyileştirmeler sağladığını ve finansal açıdan kritik azınlık olaylarının daha güvenilir biçimde tespit edilmesini desteklediğini göstermektedir.