論文の概要: Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine
- arxiv url: http://arxiv.org/abs/2602.06955v1
- Date: Fri, 06 Feb 2026 18:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.541152
- Title: Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine
- Title（参考訳）: 最適化された説明可能なブースティングマシンによるクレジットカード不正検出の改善
- Authors: Reza E. Fazel, Arash Bakhtiary, Siavash A. Bigdeli,
- Abstract要約: 本研究は、EBM(Explainable Boosting Machine)に基づく拡張ワークフローを提案する。
最適化されたEMMは、精度と解釈可能性の効果的なバランスを実現し、不正取引の正確な検出を可能にする。
ベンチマーククレジットカードデータの実験的評価により、ROC-AUCは0.983であり、以前のEMMベースラインを超えている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Addressing class imbalance is a central challenge in credit card fraud detection, as it directly impacts predictive reliability in real-world financial systems. To overcome this, the study proposes an enhanced workflow based on the Explainable Boosting Machine (EBM)-a transparent, state-of-the-art implementation of the GA2M algorithm-optimized through systematic hyperparameter tuning, feature selection, and preprocessing refinement. Rather than relying on conventional sampling techniques that may introduce bias or cause information loss, the optimized EBM achieves an effective balance between accuracy and interpretability, enabling precise detection of fraudulent transactions while providing actionable insights into feature importance and interaction effects. Furthermore, the Taguchi method is employed to optimize both the sequence of data scalers and model hyperparameters, ensuring robust, reproducible, and systematically validated performance improvements. Experimental evaluation on benchmark credit card data yields an ROC-AUC of 0.983, surpassing prior EBM baselines (0.975) and outperforming Logistic Regression, Random Forest, XGBoost, and Decision Tree models. These results highlight the potential of interpretable machine learning and data-driven optimization for advancing trustworthy fraud analytics in financial systems.
- Abstract（参考訳）: クラスの不均衡に対処することは、現実の金融システムの予測信頼性に直接影響するため、クレジットカード不正検出における中心的な課題である。
そこで本研究では,系統的なハイパーパラメータチューニング,特徴選択,前処理の改良を通じて最適化されたGA2Mアルゴリズムの透過的で最先端の実装であるEBMに基づく拡張ワークフローを提案する。
バイアスや情報損失を引き起こすような従来のサンプリング技術に頼るのではなく、最適化されたEMMは、正確性と解釈可能性の効果的なバランスを実現し、特徴の重要性と相互作用効果に関する実用的な洞察を提供しながら、不正取引の正確な検出を可能にする。
さらに、データスケーラのシーケンスとモデルハイパーパラメータの両方を最適化し、堅牢で再現性があり、体系的に検証された性能改善を保証するため、田口法を用いる。
ベンチマーククレジットカードデータの実験的評価では、ROC-AUCは0.983であり、以前のEMMベースライン(0.975)を超え、ロジスティック回帰、ランダムフォレスト、XGBoost、決定木モデルを上回っている。
これらの結果は、金融システムにおける信用に値する詐欺分析を推進するための、解釈可能な機械学習とデータ駆動型最適化の可能性を強調している。
関連論文リスト
- Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates [5.002657036975061]
エージェントベースモデル(ABM)は複雑な社会システムをシミュレーションするための重要な最適化問題である。
目的は、シミュレーションデータと実世界の観測との差を最小限に抑えて、与えられたABMの最適パラメータを特定することである。
既存の手法では,1) ABMの非線形だがマルチモーダルな性質のため,元の評価関数のサロゲートは困難であり,2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できない。
本研究は、負相関探索と適応信頼回帰を用いた自動後部変換を提案する。
論文 参考訳（メタデータ） (2026-01-11T14:05:26Z) - Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。
提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。
我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
論文 参考訳（メタデータ） (2025-12-29T01:33:42Z) - Pushing the Boundaries of Interpretability: Incremental Enhancements to the Explainable Boosting Machine [1.2461503242570642]
本稿では,最新のガラス箱モデルである Explainable Boosting Machine (EBM) を改良し,高精度かつ完全な透明性を実現することを目的とする。
この研究は、堅牢で公平で透明な機械学習システムを開発するための重要なステップとして位置づけられている。
論文 参考訳（メタデータ） (2025-11-29T15:46:13Z) - Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。
私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。
この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
論文 参考訳（メタデータ） (2025-07-14T18:34:10Z) - A Data Balancing and Ensemble Learning Approach for Credit Card Fraud Detection [1.8921747725821432]
本研究では,SMOTE-KMEANS手法とアンサンブル機械学習モデルを組み合わせることで,クレジットカード不正を識別する革新的な手法を提案する。
提案モデルは、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシンといった従来のモデルと比較された。
その結果,提案モデルでは,SMOTE-KMEANSアルゴリズムと組み合わせたAUCが0.96と優れた性能を示した。
論文 参考訳（メタデータ） (2025-03-27T04:59:45Z) - Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。
本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-04T03:16:02Z) - Integrating Fuzzy Logic into Deep Symbolic Regression [3.0846824529023382]
クレジットカード不正検出は金融機関にとって重要な問題であり、非接触支払い技術の台頭によって強化されている。
本稿では,ファジィ論理の深部シンボリック回帰への統合について検討し,不正検出における性能と説明可能性の両立を図った。
論文 参考訳（メタデータ） (2024-11-01T07:55:17Z) - Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism [5.486205584465161]
本研究は,通常の分類プロセスに2つの余分な層を追加することにより,CCF検出のための新たな積み重ねに基づくアプローチを提案する。
注意層では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)のソフトアウトプットを、依存重み付け平均化(DOWA)演算子を用いて組み合わせる。
信頼層では,どのアグリゲーション(DOWAまたはIOWA)でも,メタラーナーへのフィードの不確実性が低いかを選択する。
3つのデータセットに対する実験により,提案手法は高精度かつ堅牢な一般化を実現し,CCF検出に有効であることが示された。
論文 参考訳（メタデータ） (2024-10-01T09:56:23Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Model-based Causal Bayesian Optimization [78.120734120667]
モデルに基づく因果ベイズ最適化(MCBO)を提案する。
MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。
標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
論文 参考訳（メタデータ） (2022-11-18T14:28:21Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z)
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。