欺诈检测中选择策略的一致性
机器学习
2025-09-24 v1 机器学习
摘要
本文研究保险人如何选择哪些理赔案件进行欺诈调查。给定一个预测模型，通常仅对具有最高欺诈预测概率的理赔案件进行调查。我们认为这会导致不一致的学习，并提出一种随机化替代方案。更一般地，我们将其与多臂老虎机文献进行类比，并指出在存在选择的情况下，所获得的观测不满足独立同分布。因此，在更新参数估计时应考虑对过去观测的依赖。我们在二元回归框架中形式化了选择机制，并证明模型更新与极大似然估计可以如同理赔案件被随机调查一样实施。随后，我们定义了选择策略的一致性，并给出一致性的充分条件猜想。我们的模拟表明，常用的选择策略可能是不一致的，而所提出的随机化替代方案则是一致的。最后，我们将随机化选择策略与多臂老虎机的标准启发式方法 Thompson sampling 进行比较。模拟结果表明后者在学习低欺诈概率时可能效率低下。
引用
@article{arxiv.2509.18739,
title = {Consistency of Selection Strategies for Fraud Detection},
author = {Christos Revelas and Otilia Boldea and Bas J. M. Werker},
journal= {arXiv preprint arXiv:2509.18739},
year = {2025}
}