卡片支付网络中欺诈检测的根本极限

卡片支付欺诈检测通常被建模为监督分类问题。尽管该方法取得了实用性进展，但由于模型架构的重大进步，改进仍停留在渐进层面。我们认为，这并非主要源于函数近似或优化的失败，而是源于支付生态系统固有的结构性信息缺失。我们将卡片授权建模为具有延迟、被 censured、被破坏以及事实性遗漏反馈的序列决策问题。我们推导出最小后悔下界，指出这些缺失以乘积形式出现在可达学习速率的分母中。该下界表明，提高授权方报告质量或减少 censorship 可比增加模型复杂度更大幅度降低后悔底峰。我们还指出，授权方之间的异质性会恶化可学习性，其影响远超平均缺失率所暗示的范围。该论文为支付网络中欺诈检测为何在标准在线学习情境下 fundamentally 更难提供理论解释，识别生态系统信息质量作为关键瓶颈，并为在报告基础设施、争议程序质量以及选择性探索方面的投资提供理论依据。本论文是理论主导，不依赖专有交易数据。