Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data

Created by
  • Haebom

作者

Chao Wang, Chuanhao Nie, Yunbo Liu

概要

この研究は、金融や電子商取引などの高リスク分野における不正検出の重要性を強調し、大規模な不均衡オンライン取引データセットを使用して、ロジスティック回帰、ランダムフォレスト、LightGBM、GRUネットワークなど4つのマップ学習モデルのパフォーマンスを体系的に比較分析しました。ランダムフォレストやLightGBMなどのアンサンブル技術は、全体的な指標とクラス別の指標の両方で優れた性能を示し、ロジスティック回帰は信頼性が高く解釈可能な基準モデルとして機能しました。 GRUモデルは、少数クラスの詐欺取引の再現率が高かったが、精度が低くなるトレードオフを示した。評価は、重み付け平均だけでなく、クラス固有の精度、再現率、F1スコアなど、各モデルの効果の詳細な分析を提供し、不正検出システムのリスク許容度と操作上のニーズに応じてモデルを選択する必要があることを強調します。

Takeaways、Limitations

•
Takeaways:
◦
ランダムフォレストとLightGBMが不均衡データセットで優れた詐欺検出性能を示していることを確認。
◦
ロジスティック回帰は解析可能性の高い基準モデルとして活用可能。
◦
GRUは高い再現率を提供しますが、精度の低下というトレードオフを考慮する必要があります。
◦
クラス別指標分析によるモデル性能のバランスのとれた評価の重要性の提示
◦
詐欺検知システムの構築におけるリスク許容度と運用上のニーズに応じたモデル選択の必要性を強調する。
•
Limitations:
◦
特定のデータセットの結果であるため、他のデータセットに一般化するのに限界があります。
◦
他のアルゴリズムやハイパーパラメータのチューニングによるパフォーマンスの向上の可能性の存在。
◦
実際のシステムの適用時に発生する可能性がある追加の問題を考慮する必要があります。
👍
Made with Slashpage