基于深度学习的不确定性感知信用卡欺诈检测
机器学习
2021-07-29 v1 人工智能
摘要
在信用卡欺诈检测任务中，无数关于深度神经网络（DNNs）的研究致力于通过构建不同网络架构或学习模型来提升点预测准确率并缓解不良偏差。伴随点估计的不确定性量化至关重要，因其能缓解模型不公平性，并允许从业者开发可信系统，以放弃因低置信度导致的次优决策。具体而言，在真实卡片欺诈检测场景中评估与 DNNs 预测相关的不确定性至关重要，原因包括：（a）欺诈者不断改变策略，因此 DNNs 会遇到非由与训练分布相同过程生成的观测；（b）由于过程耗时，极少交易被专业专家及时核查以更新 DNNs。因此，本研究提出三种不确定性量化（UQ）技术——蒙特卡洛 dropout、集成以及集成蒙特卡洛 dropout，应用于交易数据的卡片欺诈检测。此外，为评估预测不确定性估计，采用了 UQ 混淆矩阵与若干性能指标。实验结果表明，集成在捕获与生成预测相对应的不确定性上更为有效。另外，我们证明所提 UQ 方法为点预测提供了额外洞察，从而提升欺诈防范流程。
引用
@article{arxiv.2107.13508,
title = {Uncertainty-Aware Credit Card Fraud Detection Using Deep Learning},
author = {Maryam Habibpour and Hassan Gharoun and Mohammadreza Mehdipour and AmirReza Tajally and Hamzeh Asgharnezhad and Afshar Shamsi and Abbas Khosravi and Miadreza Shafie-Khah and Saeid Nahavandi and Joao P. S. Catalao},
journal= {arXiv preprint arXiv:2107.13508},
year = {2021}
}
备注
10 pages, 6 figures, 3 tables