FinGAN：面向银行与保险分析型客户关系管理的生成对抗网络
机器学习
2022-02-11 v1 计算工程、金融与科学
神经与进化计算
摘要
信用卡流失预测、保险欺诈检测和贷款违约预测是重要的分析型客户关系管理（ACRM）问题。由于欺诈、流失和违约发生频率较低，这些问题的数据集天然高度不平衡。因此，所有有监督机器学习分类器在此类不平衡数据集上训练时往往产生较高的假正率。我们提出两种数据平衡方法。第一种，我们提出一种过采样方法，利用生成对抗网络（GAN）生成少数类合成样本。我们分别采用 Vanilla GAN [1]、Wasserstein GAN [2] 和 CTGAN [3] 对少数类样本进行过采样。为评估所提方法的有效性，我们使用多种机器学习分类器，包括随机森林、决策树、支持向量机（SVM）和逻辑回归，对 GAN 平衡后的数据进行分类。第二种方法，我们引入一种混合方法处理数据不平衡。在第二种方法中，我们将欠采样与过采样的优势结合，把 GAN 过采样的合成少数类数据与单类支持向量机（OCSVM）[4] 得到的欠采样多数类数据增强合并。我们将 GAN 生成的过采样数据与 OCSVM [4] 欠采样的数据结合，并将结果数据送入分类器。与 Farquad 等人 [5]、Sundarkumar、Ravi 和 Siddeshwar [6] 的结果相比，我们所提方法在所有数据集上以 ROC 曲线下面积（AUC）衡量均优于先前结果。
引用
@article{arxiv.2201.11486,
title = {FinGAN: Generative Adversarial Network for Analytical Customer Relationship Management in Banking and Insurance},
author = {Prateek Kate and Vadlamani Ravi and Akhilesh Gangwar},
journal= {arXiv preprint arXiv:2201.11486},
year = {2022}
}
备注
22 pages; 3 figures; 15 tables