解决欺诈预测中的“误报”问题
人工智能
2017-10-30 v1 密码学与安全
摘要
在本文中，我们提出一种基于自动特征工程的方法，以大幅减少欺诈预测中的误报。误报困扰着欺诈预测行业。据估计，在被标记为欺诈的交易中只有五分之一是真正的欺诈，而在过去一年中，大约每六位客户中就有一位经历过有效交易被拒绝。为解决此问题，我们使用深度特征合成算法，基于与交易关联的卡片的历史数据自动衍生行为特征。我们为每笔交易生成 237 个特征（超过 100 个行为模式），并使用随机森林来训练分类器。我们在来自一家大型跨国银行的数据上测试了我们的机器学习模型，并将其与他们现有的解决方案进行了比较。在包含 185.2 万笔交易的未见数据上，我们能够将误报减少 54%，并节省 19 万欧元。我们还评估了如何部署此解决方案，以及它是否需要流式计算进行实时评分。我们发现，即使每 7 天计算一次历史特征，我们的解决方案也能保持类似的收益。
引用
@article{arxiv.1710.07709,
title = {Solving the "false positives" problem in fraud prediction},
author = {Roy Wedge and James Max Kanter and Santiago Moral Rubio and Sergio Iglesias Perez and Kalyan Veeramachaneni},
journal= {arXiv preprint arXiv:1710.07709},
year = {2017}
}