Исследователи представили Semantic Pareto-DQN — фреймворк многоцелевого обучения с подкреплением для обнаружения финансовых аномалий. Метод решает проблему дисбаланса классов, при которой алгоритмы склонны игнорировать редкие мошеннические операции. Вместо изменения данных система оптимизирует баланс между точностью выявления фрода и минимизацией ложных срабатываний, влияющих на пользовательский опыт, обеспечивая более гибкое управление рисками в реальном времени.
Традиционные модели часто страдают от эффекта «краха мошенничества», когда алгоритм классифицирует все транзакции как легитимные, чтобы минимизировать ошибки на доминирующем классе данных. Предложенный подход использует семантическую структуру для оценки целей, что позволяет агенту обучаться в условиях высокой неопределенности и жестких ограничений на количество ложноположительных результатов.
Архитектура Semantic Pareto-DQN позволяет динамически настраивать приоритеты между обнаружением угроз и комфортом клиентов. Это исключает необходимость в искусственном пересэмплировании данных, которое часто искажает реальное распределение финансовых потоков и снижает качество предсказаний на новых, ранее не встречавшихся типах мошеннических схем.
Ключевые факты
- Фреймворк использует многоцелевое обучение с подкреплением (Multi-Objective RL) для оптимизации двух конфликтующих метрик.
- Метод устраняет проблему «краха мошенничества» (fraud collapse), характерную для классических алгоритмов при сильном дисбалансе классов.
- Подход исключает применение методов ресэмплирования (resampling), сохраняя исходную статистическую целостность финансовых данных.
- Система ориентирована на баланс между эффективностью блокировки фрода и снижением трения (customer friction) для добросовестных пользователей.