从集成学习与图学习的视角看欺诈检测流程及相关问题的一些研究
机器学习
2022-05-11 v1
摘要
英国反欺诈慈善机构Fraud Advisory Panel (FAP)在2016年的评估中估计企业欺诈成本为1440亿,个人对应成本为97亿。银行、保险、制造和政府是最常受欺诈活动影响的行业。设计高效的欺诈检测系统可避免资金损失;然而,由于诸多难题(如数据不平衡、计算成本等),构建该系统具有挑战性。过去三十年中,有各种与欺诈检测相关的研究,但对于构建欺诈检测系统的最佳方法尚无共识。本论文旨在回答一些问题: i) 如何构建简化且有效的欺诈检测系统,不仅易于实现且提供可靠结果,我们提出的欺诈检测流程是该系统的潜在骨干且易于扩展或升级; ii) 何时更新我们系统中的模型(并保持精度稳定)以降低更新过程成本; iii) 如何处理大数据分类问题(如欺诈检测)中的极端不平衡,因为这是两个难题间的鸿沟; iv) 进一步,如何应用基于图的半监督学习检测欺诈交易。
引用
@article{arxiv.2205.04626,
title = {On some studies of Fraud Detection Pipeline and related issues from the scope of Ensemble Learning and Graph-based Learning},
author = {Tuan Tran},
journal= {arXiv preprint arXiv:2205.04626},
year = {2022}
}