类条件标签噪声下欺诈检测的误报率估计
机器学习
2023-08-08 v1 机器学习
摘要
我们考虑在验证集中存在错误标签（标签噪声）时，估计二分类模型的假阳性率/真阳性率（FPR/TPR）的问题。我们的动机应用是欺诈预防，其中FPR的准确估计对保持良好的客户体验至关重要，且标签噪声高度不对称。现有方法力求最小化清洗过程中的总误差——避免清洗非噪声样本，并确保清洗噪声样本。这是一项重要的准确性度量，但不足以保证对模型真实FPR或TPR的良好估计，并且我们表明，使用模型直接清洗其自身验证数据会导致低估，即使总误差很低。这表明研究者需要追求不仅能降低总误差，而且力求使清洗误差与模型分数去相关的方法。
引用
@article{arxiv.2308.02695,
title = {FPR Estimation for Fraud Detection in the Presence of Class-Conditional Label Noise},
author = {Justin Tittelfitz},
journal= {arXiv preprint arXiv:2308.02695},
year = {2023}
}