論文の概要: Consistency of Selection Strategies for Fraud Detection

• arxiv url: http://arxiv.org/abs/2509.18739v1
• Date: Tue, 23 Sep 2025 07:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.749049
• Title: Consistency of Selection Strategies for Fraud Detection
• Title（参考訳）: フラッド検出のための選択戦略の整合性
• Authors: Christos Revelas, Otilia Boldea, Bas J. M. Werker,
• Abstract要約: 我々は、保険業者が詐欺を捜査する主張をどう選ぶかを研究する。 これは一貫性のない学習につながる可能性があり、ランダムな代替案を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies how insurers can chose which claims to investigate for fraud. Given a prediction model, typically only claims with the highest predicted propability of being fraudulent are investigated. We argue that this can lead to inconsistent learning and propose a randomized alternative. More generally, we draw a parallel with the multi-arm bandit literature and argue that, in the presence of selection, the obtained observations are not iid. Hence, dependence on past observations should be accounted for when updating parameter estimates. We formalize selection in a binary regression framework and show that model updating and maximum-likelihood estimation can be implemented as if claims were investigated at random. Then, we define consistency of selection strategies and conjecture sufficient conditions for consistency. Our simulations suggest that the often-used selection strategy can be inconsistent while the proposed randomized alternative is consistent. Finally, we compare our randomized selection strategy with Thompson sampling, a standard multi-arm bandit heuristic. Our simulations suggest that the latter can be inefficient in learning low fraud probabilities.
• Abstract（参考訳）: 本稿では,保険業者が詐欺を捜査する主張をどう選ぶかを検討する。 予測モデルが与えられた場合、通常、不正である確率が最も高いクレームのみを調査する。 これは一貫性のない学習につながる可能性があり、ランダムな代替案を提案する。 より一般的に、我々はマルチアーム・バンディットの文献と平行に描き、選択の存在下では、得られた観測はiidではないと主張する。 したがって、過去の観測への依存は、パラメーター推定を更新する際に考慮すべきである。 本稿では,二分回帰フレームワークの選択を形式化し,モデル更新と最大類似度推定を,ランダムにクレームが調査されたかのように実施可能であることを示す。 次に、選択戦略の整合性を定義し、整合性に対する十分な条件を予想する。 提案手法は,提案手法が不整合であるのに対して,頻繁に使用される選択戦略は不整合である可能性が示唆された。 最後に、ランダム化された選択戦略と、標準的なマルチアームバンディットヒューリスティックであるトンプソンサンプリングを比較した。 シミュレーションにより,後者は不正確率の低い学習において非効率である可能性が示唆された。

関連論文リスト

• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [68.43987626137512]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Data-Driven Sequential Sampling for Tail Risk Mitigation [1.795366746592388]
  固定サンプリング予算を逐次割当てして最適な選択肢を高い確率で特定する問題について検討する。 本稿では,データ駆動シーケンシャルサンプリングポリシーを提案する。
  論文  参考訳（メタデータ） (2025-03-10T04:32:27Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Shortcomings of Top-Down Randomization-Based Sanity Checks for Evaluations of Deep Neural Network Explanations [67.40641255908443]
  モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。 トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
  論文  参考訳（メタデータ） (2022-11-22T18:52:38Z)
• Black-box Selective Inference via Bootstrapping [5.960626580825523]
  条件選択推論は選択イベントの正確な特徴を必要とするが、ラッソのようないくつかの例を除いてしばしば利用できない。 この研究は、選択イベントを推定するための一般的なアプローチを導入し、選択イベントに条件付けされた実行可能な推論を容易にすることで、この問題に対処する。
  論文  参考訳（メタデータ） (2022-03-28T05:18:21Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Optimal strategies for reject option classifiers [0.0]
  拒絶オプションの分類では、分類器は予測から逸脱する不確実なケースで許可される。 我々は、最小選択リスクと保証カバレッジを持つ分類器を求める有界被覆モデルという対称的な定義を作成した。 任意のブラックボックス分類器の例から適切な不確かさスコアを学習するための2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-29T11:09:32Z)

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。