Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
Este artículo demuestra que, en el conjunto de datos de fraude con tarjetas de crédito ULB, un subconjunto compacto de 15 características derivado de una estrategia de clasificación multimetódica permite una detección de fraude de alto rendimiento a través de varios clasificadores sin la necesidad de sobremuestreo SMOTE, ya que los modelos entrenados con la distribución de clases natural superan consistentemente a aquellos entrenados con SMOTE cuando se evalúan con umbrales adecuadamente ajustados.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el vasto y silencioso flujo de las finanzas globales, una mínima fracción de las transacciones conlleva un peligro oculto. La mayoría de las pasadas de tarjetas de crédito son intercambios de valor rutinarios e inofensivos, pero un número muy pequeño es fraudulento, diseñado para robar dinero a propietarios desprevenidos. Para los sistemas que vigilan estas transacciones, esto crea un rompecabezas difícil. Si un programa informático simplemente adivinara que cada transacción es segura, acertaría más del noventa y nueve por ciento de las veces. Esta alta tasa de éxito es engañosa; oculta el hecho de que el sistema ha fallado por completo en su labor real, que es detectar a los ladrones poco comunes. Para resolver esto, los expertos deben mirar más allá de los simples recuentos de respuestas correctas e incorrectas. Necesitan medir qué tan bien un sistema encuentra las transacciones maliciosas sin levantar una falsa alarma por cada una de las buenas, un equilibrio que requiere un ajuste cuidadoso y una comprensión profunda de los propios datos.
Un estudio reciente de Abdullah Md Raihan Chy en ZogBiyog Lab, en Bangladesh, aborda este problema probando dos ideas específicas: cómo elegir las pistas adecuadas para observar y si la creación artificial de más ejemplos de fraude ayuda a la computadora a aprender mejor. Los investigadores trabajaron con una colección masiva de registros de tarjetas de crédito de Europa, que contenía casi 285,000 transacciones de solo dos días de 2013. En este conjunto de datos del mundo real, solo el 0.173 por ciento de las transacciones eran realmente fraude. Debido a que los datos estaban tan fuertemente sesgados hacia las transacciones seguras, el equipo tuvo que ser extremadamente cuidadoso sobre cómo entrenaba sus modelos. Comenzaron analizando treinta piezas diferentes de información disponibles para cada transacción, como la hora del día, el monto gastado y otros veintiocho números que habían sido transformados matemáticamente para proteger la privacidad de los titulares de las tarjetas.
Para encontrar las pistas más útiles, los investigadores no confiaron en un único método para clasificar la importancia de estas treinta características. En su lugar, utilizaron cuatro enfoques diferentes para calificar cada una. Un método buscaba patrones de asociación, otro verificaba relaciones de línea recta, un tercero utilizó un algoritmo basado en árboles para medir cuánto ayudaba una característica a dividir los datos, y un cuarto observó cuánta variación contenía cada característica. Luego combinaron estas cuatro listas en una sola lista más corta de quince características. Lo hicieron tomando turnos para elegir la característica superior de cada una de las cuatro listas, saltándose cualquier elemento que ya hubiera sido elegido, hasta obtener exactamente quince elementos únicos. Este enfoque de "round-robin" aseguró que ningún método individual dominara la selección, creando un conjunto compacto de pistas que era tanto diverso como manejable.
Con este conjunto más pequeño de quince características en mano, el equipo entrenó siete tipos diferentes de programas informáticos para detectar el fraude. Estos programas variaban desde reglas estadísticas simples hasta redes complejas y estratificadas que imitan la forma en que un cerebro procesa la información. Probaron estos programas bajo dos condiciones diferentes. En la primera condición, los programas aprendieron de los datos exactamente como aparecían en el mundo real, con la ínfima fracción de casos de fraude sentada entre la gran mayoría de transacciones seguras. En la segunda condición, utilizaron una técnica llamada SMOTE, que crea nuevos ejemplos sintéticos de fraude mezclando y combinando partes de casos de fraude existentes. Este acto de equilibrio artificial es un atajo común utilizado por los científicos de datos, basado en la suposición de que dar a la computadora más ejemplos del evento raro la ayudará a aprender a reconocerlo mejor.
Los resultados de este experimento fueron claros y algo sorprendentes. Cuando los investigadores probaron los programas en un nuevo conjunto de datos que los modelos nunca habían visto, los programas entrenados con los datos naturales y desequilibrados funcionaron mejor que aquellos entrenados con los datos artificialmente equilibrados. Esto se mantuvo constante para cada tipo de programa que probaron. El mejor ejecutor fue un modelo llamado XGBoost, que logró una puntuación alta de 0.826 cuando fue entrenado con los datos naturales, mientras que el modelo K-Nearest Neighbors alcanzó una puntuación aún mayor de 0.833. En contraste, cuando estos mismos modelos fueron entrenados utilizando los ejemplos de fraude sintéticos, su rendimiento cayó de forma generalizada. Incluso aunque los investigadores ajustaron cuidadosamente el punto de decisión para cada modelo para asegurar una comparación justa, los datos artificiales condujeron consistentemente a resultados peores.
Este hallazgo desafía una creencia largamente sostenida en el campo de que añadir ejemplos sintéticos es siempre un paso útil. El estudio sugiere que, para este tipo específico de problema, con este tipo específico de datos, la distribución natural de las transacciones contiene una señal que los ejemplos artificiales interrumpen. Los programas informáticos aprendieron a distinguir el fraude con mayor precisión cuando se les permitió ver la verdadera rareza del evento, en lugar de ser forzados a tratar el fraude y la seguridad como eventos igualmente comunes. La investigación también confirmó que un conjunto pequeño y cuidadosamente seleccionado de quince características era suficiente para construir un detector poderoso, demostrando que no es necesario usar cada pieza de información disponible para encontrar la aguja en el pajar. En última instancia, el trabajo demuestra que en el mundo de alto riesgo de la detección de fraude, a veces la estrategia más efectiva es confiar en la realidad bruta de los datos en lugar de intentar diseñar una versión más equilibrada de ellos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.