Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
Diese Arbeit zeigt, dass eine kompakte, aus einer Multi-Methoden-Ranking-Strategie abgeleitete 15-Merkmals-Teilmenge auf dem ULB-Kreditkartenbetrugsdatensatz eine leistungsstarke Betrugserkennung über verschiedene Klassifikatoren hinweg ermöglicht, ohne dass ein SMOTE-Oversampling erforderlich ist, da Modelle, die auf der natürlichen Klassenverteilung trainiert wurden, bei Verwendung angemessen abgestimmter Schwellenwerte konsistent besser abschneiden als solche, die mit SMOTE trainiert wurden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im riesigen, stillen Fluss der globalen Finanzwelt trägt ein winziger Bruchteil der Transaktionen eine verborgene Gefahr in sich. Die meisten Kreditkartenswipes sind harmlose, routinemäßige Werttransfers, doch eine sehr kleine Anzahl ist betrügerisch und darauf ausgelegt, ahnungslosen Besitzern Geld zu stehlen. Für die Systeme, die diese Transaktionen überwachen, stellt dies ein schwieriges Rätsel dar. Wenn ein Computerprogramm einfach raten würde, dass jede einzelne Transaktion sicher sei, läge es in mehr als neunzig Prozent der Fälle richtig. Diese hohe Erfolgsquote ist trügerisch; sie verschleiert die Tatsache, dass das System seine eigentliche Aufgabe, nämlich die Diebe zu fangen, völlig vernachlässigt hat. Um dies zu lösen, müssen Experten über einfache Zählungen von richtig und falsch hinausblicken. Sie müssen messen, wie gut ein System die betrügerischen Transaktionen findet, ohne für jede gute Transaktion einen Fehlalarm auszulösen – ein Gleichgewicht, das eine sorgfältige Abstimmung und ein tiefes Verständnis der Daten selbst erfordert.
Eine aktuelle Studie von Abdullah Md Raihan Chy am ZogBiyog Lab in Bangladesch widmet sich diesem Problem, indem sie zwei spezifische Ideen testet: wie man die richtigen Hinweise auswählt und ob das künstliche Erzeugen von mehr Betrugsfällen hilft, damit der Computer besser lernt. Die Forscher arbeiteten mit einer massiven Sammlung von Kreditkarten-Datensätzen aus Europa, die fast 285.000 Transaktionen aus nur zwei Tagen im Jahr 2013 enthielt. In diesem realen Datensatz waren nur 0,173 Prozent der Transaktionen tatsächlich Betrug. Da die Daten so stark zugunsten sicherer Transaktionen verzerrt waren, musste das Team bei der Schulung ihrer Modelle äußerst vorsichtig vorgehen. Sie begannen damit, sich dreißig verschiedene Informationen anzusehen, die für jede Transaktion verfügbar waren, wie etwa die Tageszeit, den getätigten Betrag und achtundzwanzig andere Zahlen, die mathematisch transformiert worden waren, um die Privatsphäre der Karteninhaber zu schützen.
Um die nützlichsten Hinweise zu finden, verließen sich die Forscher nicht auf eine einzige Methode, um die Wichtigkeit dieser dreißig Merkmale zu bewerten. Stattdessen verwendeten sie vier verschiedene Ansätze, um jedes Merkmal zu bewerten. Eine Methode suchte nach Mustern der Assoziation, eine andere prüfte auf lineare Beziehungen, eine dritte nutzte einen baumbasierten Algorithmus, um zu messen, wie sehr ein Merkmal half, die Daten zu trennen, und eine vierte untersuchte, wie viel Variation jedes Merkmal besaß. Sie kombinierten diese vier Listen dann zu einer einzigen, kürzeren Liste von fünfzehn Merkmalen. Dies taten sie, indem sie abwechselnd das Top-Merkmal aus jeder der vier Listen auswählten und jene übersprangen, die bereits ausgewählt worden waren, bis sie genau fünfzehn eindeutige Elemente hatten. Dieser „Round-Robin“-Ansatz stellte sicher, dass keine einzelne Methode die Auswahl dominierte, wodurch ein kompaktes Set an Hinweisen entstand, das sowohl vielfältig als auch handhabbar war.
Mit diesem kleineren Satz von fünfzehn Merkmalen in der Hand trainierte das Team sieben verschiedene Arten von Computerprogrammen, um Betrug aufzuspüren. Diese Programme reichten von einfachen statistischen Regeln bis hin zu komplexen, geschichteten Netzwerken, die die Art und Weise nachahmen, wie ein Gehirn Informationen verarbeitet. Sie testeten diese Programme unter zwei verschiedenen Bedingungen. In der ersten Bedingung lernten die Programme aus den Daten genau so, wie sie in der realen Welt erschienen, wobei der winzige Anteil an Betrugsfällen inmitten der riesigen Mehrheit sicherer Transaktionen lag. In der zweiten Bedingung verwendeten sie eine Technik namens SMOTE, die neue, synthetische Beispiele für Betrug erstellt, indem sie Teile bestehender Betrugsfälle mischt und kombiniert. Dieser künstliche Balanceakt ist eine gängige Abkürzung, die von Data Scientists verwendet wird, basierend auf der Annahme, dass die Bereitstellung von mehr Beispielen für das seltene Ereignis dem Computer helfen wird, es besser zu erkennen.
Die Ergebnisse dieses Experiments waren klar und etwas überraschend. Als die Forscher die Programme an einem frischen Datensatz testeten, den die Modelle noch nie gesehen hatten, schnitten die Programme, die auf den natürlichen, unausgewogenen Daten trainiert worden waren, besser ab als diejenigen, die auf den künstlich ausgewogenen Daten trainiert worden waren. Dies galt für jeden einzelnen Typ von Programm, den sie getestet hatten. Der beste Performer war ein Modell namens XGBoost, das einen hohen Wert von 0,826 erreichte, wenn es auf den natürlichen Daten trainiert wurde, während das K-Nearest-Neighbors-Modell einen noch höheren Wert von 0,833 erreichte. Im Gegensatz dazu sank die Leistung dieser identischen Modelle deutlich ab, wenn sie unter Verwendung der synthetischen Betrugsbeispiele trainiert wurden. Selbst obwohl die Forscher den Entscheidungspunkt für jedes Modell sorgfältig angepasst hatten, um einen fairen Vergleich zu gewährleisten, führten die künstlichen Daten konsistent zu schlechteren Ergebnissen.
Dieser Befund stellt einen lang gehegten Glauben in der Fachwelt infrage, wonach das Hinzufügen synthetischer Beispiele immer ein hilfreicher Schritt sei. Die Studie legt nahe, dass für diesen spezifischen Typ von Problem, mit dieser spezifischen Art von Daten, die natürliche Verteilung der Transaktionen ein Signal enthält, das die künstlichen Beispiele stört. Die Computerprogramme lernten den Betrug genauer zu unterscheiden, wenn sie der wahren Seltenheit des Ereignisses zugelassen wurden, anstatt gezwungen zu werden, Betrug und Sicherheit als gleichermaßen häufig zu behandeln. Die Forschung bestätigte auch, dass ein kleiner, sorgfältig gewählter Satz von fünfzehn Merkmalen ausreichte, um einen leistungsstarken Detektor aufzubauen, was beweist, dass man nicht alle verfügbaren Informationen benötigt, um die Nadel im Heuhaufen zu finden. Letztendlich zeigt die Arbeit, dass es in der hochriskanten Welt der Betrugserkennung manchmal die effektivste Strategie ist, der rohen Realität der Daten zu vertrauen, anstatt zu versuchen, eine ausgewogenere Version davon zu konstruieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.