Fugu-MT 論文翻訳(概要): Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking

論文の概要: Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking

arxiv url: http://arxiv.org/abs/2010.11062v1
Date: Wed, 21 Oct 2020 15:10:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 23:07:34.233376
Title: Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking
Title（参考訳）: ディープQネットワークに基づく小売銀行における支払フレードシステムのアダプティブアレルト閾値選択政策
Authors: Hongda Shen, Eren Kurshan
Abstract要約: 本稿では,不正警報システムのためのしきい値選択ポリシーを提案する。提案手法は、しきい値選択を逐次決定問題として定式化し、ディープQネットワークに基づく強化学習を用いる。実験結果から, この適応手法は, 不正な損失を低減し, 警報システムの動作効率を向上させることにより, 現在の静的解よりも優れていることがわかった。
参考スコア（独自算出の注目度）: 9.13755431537592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning models have widely been used in fraud detection systems. Most of the research and development efforts have been concentrated on improving the performance of the fraud scoring models. Yet, the downstream fraud alert systems still have limited to no model adoption and rely on manual steps. Alert systems are pervasively used across all payment channels in retail banking and play an important role in the overall fraud detection process. Current fraud detection systems end up with large numbers of dropped alerts due to their inability to account for the alert processing capacity. Ideally, alert threshold selection enables the system to maximize the fraud detection while balancing the upstream fraud scores and the available bandwidth of the alert processing teams. However, in practice, fixed thresholds that are used for their simplicity do not have this ability. In this paper, we propose an enhanced threshold selection policy for fraud alert systems. The proposed approach formulates the threshold selection as a sequential decision making problem and uses Deep Q-Network based reinforcement learning. Experimental results show that this adaptive approach outperforms the current static solutions by reducing the fraud losses as well as improving the operational efficiency of the alert system.
Abstract（参考訳）: 機械学習モデルは不正検出システムで広く使われている。研究・開発努力の大部分は不正スコアリングモデルの性能向上に集中している。しかし、下流の詐欺警報システムはモデル採用に制限されており、手動の手順に依存している。アラートシステムは、小売銀行の全ての支払いチャネルで広く使われ、全体的な不正検出プロセスにおいて重要な役割を果たす。現在の不正検知システムは、警報処理能力を考慮することができないため、大量の警告を落としてしまう。理想的には、警告しきい値の選択により、システムは、上流の不正スコアとアラート処理チームの利用可能な帯域のバランスを保ちながら、不正検出を最大化することができる。しかし、実際には、単純さのために使われる固定しきい値には、この能力がない。本稿では,不正警報システムにおけるしきい値選択ポリシーの強化を提案する。提案手法は、しきい値選択を逐次決定問題として定式化し、ディープQネットワークに基づく強化学習を用いる。実験結果から, この適応手法は, 不正な損失を低減し, 警報システムの動作効率を向上させることにより, 現在の静的解よりも優れていることがわかった。

関連論文リスト

Proactive Fraud Defense: Machine Learning's Evolving Role in Protecting Against Online Fraud [0.0]
本稿では,不正検出・防止における機械学習の変革的役割について考察する。膨大なデータセットの処理、複雑な不正パターンの特定、リアルタイム予測の提供における機械学習の強みを強調している。機械学習が不正検出フレームワークに革命をもたらす可能性を強調し、よりダイナミックで効率的で、さまざまな業界における不正検出の複雑さの増大に対処できる。
論文参考訳（メタデータ） (2024-10-26T21:34:28Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
論文参考訳（メタデータ） (2024-02-22T09:01:42Z)
Utilizing GANs for Fraud Detection: Model Training with Synthetic Transaction Data [0.0]
本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。 GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
論文参考訳（メタデータ） (2024-02-15T09:48:20Z)
FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
論文参考訳（メタデータ） (2023-12-02T18:33:05Z)
Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-11T07:48:39Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。このような定式化は準最適解につながると我々は主張する。我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文参考訳（メタデータ） (2021-12-08T11:30:53Z)
Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-28T23:00:30Z)
Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文参考訳（メタデータ） (2021-07-29T00:02:06Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。