- Эффективное обнаружение мошенничества с использованием деревьев принятия решений с глубоким повышением (arXiv)
Автор: Бяо Сюй, Яо Ван, Сюву Ляо, Кайдун Ван.
Аннотация: Обнаружение мошенничества заключается в выявлении, отслеживании и предотвращении потенциально мошеннических действий со сложными данными. Недавние разработки и успехи в области искусственного интеллекта, особенно машинного обучения, предоставляют новый способ борьбы с мошенничеством, основанный на данных. С методологической точки зрения обнаружение мошенничества на основе машинного обучения можно разделить на две категории, т. е. традиционные методы (дерево решений, повышение…) и глубокое обучение, оба из которых имеют существенные ограничения с точки зрения отсутствия способности к репрезентативному обучению для первое и интерпретируемость второго. Кроме того, из-за редкости выявленных случаев мошенничества связанные данные обычно несбалансированы, что серьезно снижает производительность алгоритмов классификации. В этой статье мы предлагаем деревья решений с глубоким повышением (DBDT), новый подход к обнаружению мошенничества, основанный на градиентном повышении и нейронных сетях. Чтобы объединить преимущества как традиционных методов, так и глубокого обучения, мы сначала строим мягкое дерево решений (SDT), структурированную модель дерева решений с нейронными сетями в качестве узлов, а затем собираем SDT, используя идею повышения градиента. Таким образом, мы встраиваем нейронные сети в повышение градиента, чтобы улучшить его способность к обучению представлению и в то же время сохранить интерпретируемость. Кроме того, стремясь к редкости обнаруженных случаев мошенничества, на этапе обучения модели мы предлагаем композиционный подход к максимизации AUC для устранения дисбаланса данных на уровне алгоритма. Обширные эксперименты с несколькими реальными наборами данных по обнаружению мошенничества показывают, что DBDT может значительно повысить производительность и при этом сохранить хорошую интерпретируемость. Наш код доступен по адресу https://github.com/freshmanXB/DBDT.
2. Полностью динамические приближенные деревья решений с гарантиями времени обновления в наихудшем случае (arXiv)
Автор: Марко Брессан, Мауро Созио.
Абстрактный :
