基于深度Q网络的自适应告警阈值选择策略用于零售银行业支付欺诈系统
机器学习
2020-10-22 v1 人工智能
摘要
机器学习模型已广泛用于欺诈检测系统。大多数研发工作集中于提升欺诈评分模型的性能。然而,下游欺诈告警系统仍几乎未采用模型且依赖人工步骤。告警系统普遍用于零售银行所有支付渠道,并在整体欺诈检测流程中发挥重要作用。当前欺诈检测系统因无法考虑告警处理能力而导致大量告警被丢弃。理想情况下,告警阈值选择使系统能在平衡上游欺诈分数与告警处理团队可用带宽的同时最大化欺诈检测。然而实践中,为简便而使用的固定阈值不具备此能力。本文提出一种增强的欺诈告警系统阈值选择策略。所提方法将阈值选择表述为序贯决策问题,并使用基于深度Q网络(Deep Q-Network)的强化学习。实验结果表明,该自适应方法通过减少欺诈损失并提升告警系统运营效率,优于当前静态方案。
引用
@article{arxiv.2010.11062,
title = {Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking},
author = {Hongda Shen and Eren Kurshan},
journal= {arXiv preprint arXiv:2010.11062},
year = {2020}
}