将模糊逻辑集成到深度符号回归

信用卡欺诈检测是金融机构的关键关注点，因无接触支付技术的兴起而日益突出。尽管深度学习模型提供了高准确率，但其缺乏可解释性在金融领域构成重大挑战。本文探讨将模糊逻辑集成到深度符号回归（DSR）中以提升欺诈检测的性能和可解释性。我们检验了不同模糊逻辑蕴涵——specifically {\L}ukasiewicz、G"odel 和 Product——在处理欺诈检测数据集的复杂性和不确定性方面的效果。我们的分析表明，{\L}ukasiewicz 蕴涵实现了最高的F1分数和整体准确率，而 Product 蕴涵在性能和可解释性之间提供了 favorable 的平衡。尽管由于数据转换中的信息损失，本方法的性能低于最先进（SOTA）模型，但本方法提供了新颖性和见解，阐述了将模糊逻辑集成到DSR用于欺诈检测的方法和蕴涵的全面比较。