論文の概要: Application of Deep Reinforcement Learning to Payment Fraud
- arxiv url: http://arxiv.org/abs/2112.04236v1
- Date: Wed, 8 Dec 2021 11:30:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 19:51:08.716513
- Title: Application of Deep Reinforcement Learning to Payment Fraud
- Title（参考訳）: 深層強化学習の支払い詐欺への応用
- Authors: Siddharth Vimal, Kanishka Kayathwal, Hardik Wadhwa, Gaurav Dhama
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The large variety of digital payment choices available to consumers today has
been a key driver of e-commerce transactions in the past decade. Unfortunately,
this has also given rise to cybercriminals and fraudsters who are constantly
looking for vulnerabilities in these systems by deploying increasingly
sophisticated fraud attacks. A typical fraud detection system employs standard
supervised learning methods where the focus is on maximizing the fraud recall
rate. However, we argue that such a formulation can lead to sub-optimal
solutions. The design requirements for these fraud models requires that they
are robust to the high-class imbalance in the data, adaptive to changes in
fraud patterns, maintain a balance between the fraud rate and the decline rate
to maximize revenue, and be amenable to asynchronous feedback since usually
there is a significant lag between the transaction and the fraud realization.
To achieve this, we formulate fraud detection as a sequential decision-making
problem by including the utility maximization within the model in the form of
the reward function. The historical decline rate and fraud rate define the
state of the system with a binary action space composed of approving or
declining the transaction. In this study, we primarily focus on utility
maximization and explore different reward functions to this end. The
performance of the proposed Reinforcement Learning system has been evaluated
for two publicly available fraud datasets using Deep Q-learning and compared
with different classifiers. We aim to address the rest of the issues in future
work.
- Abstract（参考訳）: 今日消費者が利用できるさまざまなデジタル決済オプションは、過去10年間、電子商取引の鍵を握ってきた。
残念ながら、サイバー犯罪者や詐欺師は、ますます高度な詐欺攻撃を展開することによって、これらのシステムの脆弱性を常に探している。
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採用している。
しかし、そのような定式化は最適でない解につながると論じている。
これらの不正モデルの設計要件は、高いレベルのデータの不均衡に堅牢であり、不正パターンの変化に対応し、収益を最大化するために不正率と減少率のバランスを保ち、通常取引と不正実現の間に大きな遅延があるため、非同期フィードバックに適応することが必要である。
そこで本研究では,報酬関数の形でモデル内に有効性を最大化することにより,不正検出を逐次決定問題として定式化する。
歴史的減少率と不正率は、取引を承認または拒否する二元的行動空間を持つシステムの状態を定義する。
本研究は主にユーティリティの最大化に焦点をあて、この目的のために様々な報酬関数を探索する。
提案する強化学習システムの性能は, ディープqラーニングを用いた2つの不正データセットに対して評価され, 異なる分類器と比較された。
私たちは今後の仕事の残りの問題に対処することを目指している。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - 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) - Explainable Fraud Detection with Deep Symbolic Classification [4.1205832766381985]
分類問題に対するDeep Symbolic Regressionフレームワークの拡張であるDeep Classificationを提案する。
関数は閉形式で簡潔な数学的表現であるため、モデルは1つの分類決定のレベルとモデルの決定過程の両方において本質的に説明可能である。
PaySimデータセットの評価は、最先端のモデルと競合する予測性能を示しながら、説明可能性の観点からそれらを上回っている。
論文 参考訳（メタデータ） (2023-12-01T13:50:55Z) - Credit Card Fraud Detection with Subspace Learning-based One-Class
Classification [18.094622095967328]
1クラス分類(OCC)アルゴリズムは、不均衡なデータ分散を扱うのに優れている。
これらのアルゴリズムは、部分空間学習をデータ記述に統合する。
これらのアルゴリズムは、OCCに最適化された低次元の部分空間にデータを変換する。
論文 参考訳（メタデータ） (2023-09-26T12:26:28Z) - 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) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - 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) - Deep Q-Network-based Adaptive Alert Threshold Selection Policy for
Payment Fraud Systems in Retail Banking [9.13755431537592]
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。
論文 参考訳（メタデータ） (2020-10-21T15:10:57Z) - Fraud Detection using Data-Driven approach [0.0]
最初のオンラインバンキングは1980年に始まった。
インターネットバンキングの利用が絶え間なく増加し、多くのオンライン取引も不正行為を増やした。
本研究では,顧客行動に適応した効率的な不正検出モデルの構築を目的とする。
論文 参考訳（メタデータ） (2020-09-08T20:58:51Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z)
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。