Eco-Efficient Cascade Architecture of Gradient-Boosted Tree Methods for Credit Card Fraud Detection

Resumo Técnico: Arquitetura de Cascata Ecoeficiente para Detecção de Fraude em Cartões de Crédito

Declaração do Problema
Os modelos de detecção de fraude de cartão de crédito são tradicionalmente avaliados apenas com base no desempenho preditivo, negligenciando frequentemente os significativos custos computacionais e ambientais associados à sua implementação em larga escala. Isso é particularmente crítico na detecção de fraudes, onde os modelos devem processar volumes elevados de transações altamente desbalanceadas (taxas de fraude tão baixas quanto 0,167%). O artigo aborda a necessidade de equilibrar a precisão preditiva com a eficiência computacional e a sustentabilidade ambiental (IA Verde). Especificamente, investiga-se se a "computação seletiva" — processar casos fáceis com modelos leves e reservar a computação pesada para casos difíceis — pode otimizar o equilíbrio entre o desempenho da detecção de fraude, a perda financeira e as emissões de carbono.

Metodologia
O estudo avalia uma arquitetura de cascata de dois estágios contra quatro modelos de árvores de boosting de gradiente independentes (XGBoost, LightGBM, CatBoost) e um baseline de Regressão Logística (LR) usando o conjunto de dados ULB Credit Card Fraud (283.726 transações).

• Arquitetura: A cascata proposta consiste em:
  1. Estágio-1 (Triagem): Um modelo de Regressão Logística leve que processa todas as transações para gerar pontuações de probabilidade iniciais ($p_1$).
  2. Roteador (AdaBoost): Um classificador AdaBoost treinado nos recursos originais aumentados com $p_1$. Ele atua como um porteiro, roteando apenas as transações com probabilidades de fraude elevadas para o próximo estágio.
  3. Estágio-2 (Análise Profunda): Um modelo de boosting de gradiente (XGBoost, LightGBM ou CatBoost) que processa apenas os casos "difíceis" roteados.
  4. Variante de Mistura (Blended): Um ensemble que combina as saídas de todas as três cascatas de Estágio-2.
• Design Experimental: Os experimentos foram repetidos em cinco sementes aleatórias independentes com uma divisão de 70/15/15 para treino-validação-teste. Os limiares de decisão foram otimizados no conjunto de validação para manter um recall mínimo de 0,85 enquanto minimizava o custo de classificação incorreta.
• Métricas de Avaliação:
  • Preditiva: AUPRC (primária), F1-score, Recall, Precisão e Custo Total de Classificação Incorreta (ponderado em 100:1 para Falsos Negativos vs. Falsos Positivos).
  • Computacional: Operações de ponto flutuante (FLOPs) estimadas analiticamente por 1.000 inferências.
  • Ambiental: Emissões de carbono (g CO2eq) medidas via CodeCarbon durante o treinamento e a inferência.
  • Razões de Eficiência: Duas novas métricas foram introduzidas: a Razão de Eficiência de Carbono (CER) ($F1 / CO_2$) e a Razão de Eficiência de FLOPs (FER) ($F1 / FLOPs$).
  • Análise: A otimização de Pareto foi usada para identificar modelos que oferecem os melhores equilíbrios entre desempenho, custo e eficiência.
• Contribuições Principais:
  1. Estrutura para Computação Seletiva: O estudo valida empiricamente uma arquitetura de cascata sensível ao custo para detecção de fraude altamente desbalanceada, demonstrando que decisões de roteamento podem reduzir a carga computacional sem sacrificar a capacidade de detecção.
  2. Métricas de Dupla Eficiência: A introdução de CER e FER fornece uma forma padronizada de quantificar a eficiência ambiental e computacional em relação ao desempenho preditivo, distinguindo entre eficiência arquitetônica independente de hardware (FLOPs) e impacto ambiental específico de implantação (Carbono).
  3. Avaliação de Ciclo de Vida: A pesquisa contrasta os custos de treinamento offline com os custos de inferência online, revelando que, embora as arquiteturas de cascata incorram em maior overhead de treinamento, elas podem gerar economias substanciais no tempo de inferência.
  4. Descobertas Dependentes do Modelo: O estudo destaca que a eficácia do roteamento de cascata não é universal; ela depende fortemente do booster específico do Estágio-2 utilizado.

Resultos

• Desempenho Preditivo: O XGBoost bruto alcançou o maior AUPRC isolado (0,833). A configuração Cascade XGBoost manteve um desempenho comparável (AUPRC 0,831) enquanto alcançou o maior F1-score (0,486) e recall (0,862) entre todos os modelos.
• Impacto Financeiro: O Cascade XGBoost reduziu o custo total de classificação incorreta em 5,2% em comparação com o XGBoost bruto (1.202 vs. 1.268).
• Eficiência Computacional: O Cascade XGBoost reduziu os FLOPs de inferência em 72,7% em comparação com o XGBoost bruto. O Cascade LightGBM alcançou uma redução de 73,5% nos FLOPs e uma redução de 25,3% nas emissões de carbono, embora com uma leve queda no AUPRC.
• Impacto Ambiental: Embora o Cascade XGBoost tenha reduzido significativamente os FLOPs, suas emissões de carbono permaneceram semelhantes ao modelo bruto, ilustrando que a redução de FLOPs nem sempre se traduz linearmente em economia de carbono devido à dinâmica de hardware e execução.
• Mistura (Blending): A abordagem "Cascade Blended" (combinando os três modelos de Estágio-2) falhou em melhorar o melhor booster único de cascata. Ela incorreu em custos computacionais (15,1x mais FLOPs do Cascade XGB) e de carbono significativamente maiores sem proporcionar desempenho preditivo ou financeiro superior.
• Otimalidade de Pareto: O Cascade XGBoost e o Raw XGBoost foram os únicos modelos Pareto-ótimos. O Cascade XGB ofereceu o menor custo, enquanto o Raw XGB ofereceu o maior AUPRC.

Significância e Alegações
O artigo afirma que uma cascata de booster único cuidadosamente projetada pode equilibrar efetivamente o desempenho preditivo com a eficiência computacional e ambiental. Argumenta-se que a computação seletiva é uma estratégia viável de IA Verde para sistemas de detecção de fraude de alto throughput.

O estudo enfatiza que:

• A complexidade deve ser justificada: Adicionar complexidade arquitetônica (como a mistura de múltiplos boosters) não é benéfico, a menos que resulte em ganhos mensuráveis em todos os objetivos avaliados (desempenho, custo, eficiência).
• Divergência de métricas: As medidas de eficiência baseadas em FLOPs e em carbono capturam dimensões diferentes de sustentabilidade; relatar ambas é essencial para uma avaliação completa.
• Perspectiva de ciclo de vida: A vantagem ambiental da cascata é realizada ao longo do ciclo de vida do modelo (especificamente no tempo de inferência), em vez de durante a fase de treinamento, onde as cascatas incorrem em maior overhead.

O autor conclui que, embora o roteamento de cascata ofereça ganhos reais de eficiência para famílias de modelos específicas (XGBoost e LightGBM), não é uma solução universal, e seu valor é contingente ao aprendiz de Estágio-2 subjacente.