Höppner et al. (2022) — Instance-dependent cost-sensitive learning for detecting transfer fraud

Nguồn tham khảo: Höppner, S., Baesens, B., Verbeke, W., & Verdonck, T. (2022). Instance-dependent cost-sensitive learning for detecting transfer fraud. European Journal of Operational Research, 297(1), 291–300. https://doi.org/10.1016/j.ejor.2021.05.028

Truy cập toàn văn: https://doi.org/10.1016/j.ejor.2021.05.028

Tóm tắt nội dung

Sebastiaan Höppner, Bart Baesens, Wouter Verbeke và Tim Verdonck nghiên cứu phát hiện gian lận giao dịch thẻ. Đây là bài toán phân loại nhị phân, thường được huấn luyện và đánh giá bằng thước đo thống kê như hàm hợp lý và AUC, vốn không phản ánh mục tiêu thực là giảm tổn thất tài chính do gian lận. Nhóm tác giả coi đây là bài toán phân loại nhạy chi phí phụ thuộc từng trường hợp (instance-dependent), vì chi phí phân loại sai khác nhau giữa các giao dịch, chẳng hạn theo số tiền.

Từ ma trận chi phí phụ thuộc từng trường hợp cho gian lận chuyển tiền, bài suy ra ngưỡng quyết định riêng cho mỗi giao dịch để ra quyết định tối ưu về chi phí. Bài cũng giới thiệu hai bộ phân loại mới dựa trên hồi quy logistic có điều chuẩn lasso và cây tăng cường gradient, học bằng cách tối thiểu hóa trực tiếp thước đo chi phí đề xuất. Các phương pháp được cài đặt trong gói R cslogit và csboost, rồi so sánh với phương pháp hiện đại trên một bộ dữ liệu công khai từ Kaggle và một bộ dữ liệu giao dịch thẻ độc quyền; kết quả cho thấy tiềm năng giảm tổn thất do gian lận.

Trong giáo dục, chi phí bỏ sót có thể khác nhau giữa các sinh viên, ví dụ theo số tín chỉ đã tích lũy, nên ngưỡng cảnh báo cũng có thể tính riêng cho từng em.

Luận điểm liên quan trong bài viết chính

Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp