支付网络中的因果标签恢复

支付网络中的欺诈检测模型在训练时使用的标签存在系统性偏差。每个标签必须经过三个顺序门控：授权（被拒绝的交易不生成标签）、发卡行报告（未报告的欺诈不可见）以及延迟（待处理的标签在训练时缺失）。到达的标签可能被首先方滥用或发卡行误分类所损坏。该论文的伴随论文[arXiv:2605.27557]已证明，这四种损害对检测性能施加了minimax下界。本文提出：是否可以达到该下界？我们将观察管道形式化为具有三个倾向阶段和一个损坏层的顺序缺失数据问题，构建Sequential Triply Robust (STR)估计器。STR同时纠正了这四种损害，实现了半参数效率下界——没有估计器的渐近方差会更低。它是顺序三重鲁棒的：在每个门控处，仅需倾向模型或结果回归其中一个正确指定即可保证一致性，而不必两者都正确。我们提供了通过噪声率调整伪标签进行损坏纠正、经验贝叶斯收缩稳定小发卡行的逆倾向权重、插值方差估计器以提供有效置信区间，以及针对有限样本保证的巴特斯坦不等式。在操作层面，我们推导了最优训练延迟——即最小化标签质量损失与模型陈旧性之和的成熟窗口——并证明STR允许使用天而非月的旧数据进行训练，使模型新鲜度与chargeback成熟周期分离。STR在任何样本量下都对基于naive chargeback的训练在均方误差中占据优势。