面向金融科技应用的双目标帕累托最优反欺诈规则集发现
机器学习
2024-07-01 v3 统计金融
摘要
规则因其直观的 if-then 结构具有高度可解释性,被金融科技机构广泛用于反欺诈决策。实践中,大型金融科技机构通常采用反欺诈决策规则集挖掘的两阶段框架:阶段 1 生成潜在的大规模规则池,阶段 2 依据某些准则(通常基于精确率和召回率)产出精炼的规则子集。本文致力于提升该两阶段框架的灵活性与有效性,关注于在双目标空间(如精确率与召回率)中寻找高质量规则子集。为此,我们首先引入一种称为 SpectralRules 的新算法,在阶段 1 直接生成具有高度多样性的紧凑规则池。我们通过实验发现,此种多样性可提升最终规则子集的质量。此外,我们在阶段 1 与阶段 2 之间引入一个中间阶段,采用帕累托最优概念,旨在找到一组非支配规则子集,构成帕累托前沿。该中间阶段极大简化了选择准则并提升了阶段 2 的灵活性。针对此中间阶段,我们提出一种基于启发式的框架 PORS,并指出 PORS 的核心在于前沿上的解选择问题(SSF)。我们对 SSF 问题进行了系统分类,并在公开与专有数据集上对各种 SSF 方法进行了充分的实证评估。在支付宝内的两个真实应用场景中,我们展示了所提方法相较已有工作的优势。
引用
@article{arxiv.2311.00964,
title = {On Finding Bi-objective Pareto-optimal Fraud Prevention Rule Sets for Fintech Applications},
author = {Chengyao Wen and Yin Lou},
journal= {arXiv preprint arXiv:2311.00964},
year = {2024}
}