面向高风险在线机器学习推断的层次化后备架构
机器学习
2025-01-30 v1 计算工程、金融与科学
软件工程
摘要
受Open Banking支持的机器学习应用需要应对挑战性压力和故障场景的新型鲁棒性方法。本文提出一种用于提高高风险机器学习应用鲁棒性的层次化后备架构，重点关注金融领域。我们定义了在在线推断中常见的通用故障场景，这些场景取决于外部数据提供商，并详细描述了如何应用该层次化后备架构来解决这些问题。最后，我们提供了一个在行业中应用于近实时交易欺诈风险评估的实际案例，该案例在极端压力情境下使用Open Banking数据。
关键词
引用
@article{arxiv.2501.17834,
title = {Hierarchical Fallback Architecture for High Risk Online Machine Learning Inference},
author = {Gustavo Polleti and Marlesson Santana and Felipe Sassi Del Sant and Eduardo Fontes},
journal= {arXiv preprint arXiv:2501.17834},
year = {2025}
}