基于深度符号分类的可解释欺诈检测

在欺诈检测领域，对可解释、透明且数据驱动模型的需求日益增长。欺诈检测模型所做的决策在客户争议事件中必须可解释。此外，模型的决策过程必须透明以赢得监管者与业务利益相关者的信任。同时，由于欺诈的噪声性、动态性以及大型历史数据集的可用性，欺诈检测解决方案可从数据中获益。最后，欺诈检测因其类不平衡而臭名昭著：合法交易通常比欺诈交易多几个数量级。本文中，我们提出深度符号分类（DSC），即深度符号回归框架在分类问题上的扩展。DSC 将分类视为由变量、常量和运算词汇构成的所有解析函数空间中的搜索问题，并直接针对任意评估指标优化。搜索由经强化学习训练的深度神经网络引导。由于这些函数是闭式且简洁的数学表达式，模型在单一分类决策层面和模型决策过程层面均天然可解释。此外，通过优化对类不平衡鲁棒的度量（如 F1 分数）成功解决了类不平衡问题。这消除了困扰传统方法的过采样与欠采样技术的需要。最后，模型允许显式权衡预测精度与可解释性。在 PaySim 数据集上的评估显示了与最先进模型竞争性的预测性能，同时在可解释性上超越它们。这确立了 DSC 作为欺诈检测系统中有前景的模型。