基于案例的推理辅助领域专家处理黑盒机器学习模型的欺诈告警
机器学习
2019-07-09 v1 人机交互
机器学习
摘要
在许多情境下，让领域专家理解机器学习模型的预测在多大程度上可信是有用的。特别地，对于处理机器学习生成的欺诈交易告警的欺诈分析师而言，可信度估计是有用的。在本工作中，我们提出了一种基于案例的推理（CBR）方法，以相似历史实例可视化的形式提供预测可信度的证据。与以往工作不同，我们考虑预测局部事后解释的相似性，并经验性地表明我们的可视化对处理告警是有用的。此外，我们的方法被一家荷兰大型银行的反欺诈分析师认为有用且易用。
引用
@article{arxiv.1907.03334,
title = {Case-Based Reasoning for Assisting Domain Experts in Processing Fraud Alerts of Black-Box Machine Learning Models},
author = {Hilde J. P. Weerts and Werner van Ipenburg and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:1907.03334},
year = {2019}
}
备注
Will be published in proceedings of KDD workshop on Anomaly Detection in Finance 2019