面向欺诈应用的代价敏感半监督分类
机器学习
2020-12-23 v1
摘要
本研究探索欺诈检测领域中的代价敏感学习（Cost-Sensitive Learning, CSL）以降低对欺诈类的错误预测并提升其准确率。值得注意的是，我们聚焦于难以检测的托标欺诈，因为托标者与合法投标者的行为相似。我们在半监督分类（Semi-Supervised Classification, SSC）框架内研究 CSL，以解决标注欺诈数据稀缺的问题。我们的论文是首次尝试将 CSL 与 SSC 结合用于欺诈检测。我们采用元 CSL 方法来管理误分类错误的代价，而 SSC 算法以不平衡数据进行训练。使用真实的托标数据集，我们评估了若干 CSL 与 SSC 的混合模型性能，并统计比较了它们的误分类错误与准确率。最高效的 CSL+SSC 模型能够检测 99% 的欺诈者且总代价最低。
引用
@article{arxiv.2012.11743,
title = {Cost-sensitive Semi-supervised Classification for Fraud Applications},
author = {Sulaf Elshaar and Samira Sadaoui},
journal= {arXiv preprint arXiv:2012.11743},
year = {2020}
}
备注
15 pages