Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
Este artigo demonstra que, no conjunto de dados de fraude de cartão de crédito ULB, um subconjunto compacto de 15 atributos derivado de uma estratégia de classificação multimétodo possibilita a detecção de fraude de alto desempenho em vários classificadores sem a necessidade de sobreamostragem SMOTE, uma vez que os modelos treinados na distribuição natural das classes superam consistentemente aqueles treinados com SMOTE quando avaliados com limiares adequadamente ajustados.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No vasto e silencioso fluxo das finanças globais, uma fração minúscula de transações carrega um perigo oculto. A maioria das passagens de cartão de crédito é inofensiva, trocas rotineiras de valor, mas um número muito pequeno é fraudulento, projetado para roubar dinheiro de proprietários desprevenidos. Para os sistemas que monitoram essas transações, isso cria um quebra-cabeça difícil. Se um programa de computador simplesmente adivinhasse que cada transação era segura, ele estaria correto em mais de noventa e nove por cento das vezes. Essa alta taxa de sucesso é enganosa; ela esconde o fato de que o sistema falhou completamente em seu trabalho real, que é capturar os ladrões raros. Para resolver isso, os especialistas precisam olhar além de simples contagens de respostas certas e erradas. Eles precisam medir o quão bem um sistema encontra as transações ruins sem gerar um alarme falso para cada uma das boas, um equilíbrio que requer um ajuste cuidadoso e uma compreensão profunda dos próprios dados.
Um estudo recente de Abdullah Md Raihan Chy, no ZogBiyog Lab em Bangladesh, aborda este problema testando duas ideias específicas: como escolher as pistas certas para observar e se a criação artificial de mais exemplos de fraude ajuda o computador a aprender melhor. Os pesquisadores trabalharam com uma coleção massiva de registros de cartões de crédito da Europa, contendo quase 285.000 transações de apenas dois dias de 2013. Neste conjunto de dados do mundo real, apenas 0,173 por cento das transações eram de fato fraudes. Como os dados eram tão fortemente desequilibrados em direção às transações seguras, a equipe teve que ser extremamente cuidadosa sobre como treinava seus modelos. Eles começaram analisando trinta informações diferentes disponíveis para cada transação, como o horário do dia, o valor gasto e outros vinte e oito números que foram matematicamente transformados para proteger a privacidade dos portadores dos cartões.
Para encontrar as pistas mais úteis, os pesquisadores não confiaram em um único método para classificar a importância dessas trinta características. Em vez disso, utilizaram quatro abordagens diferentes para pontuar cada uma delas. Um método buscava padrões de associação, outro verificava relações de linha reta, um terceiro usava um algoritmo baseado em árvores para medir o quanto uma característica ajudava na divisão dos dados, e um quarto observava quanta variação cada característica continha. Eles então combinaram essas quatro listas em uma única lista mais curta de quinze características. Fizeram isso selecionando, de forma alternada, a principal característica de cada uma das quatro listas, pulando quaisquer que já tivessem sido escolhidas, até obterem exatamente quinze itens únicos. Essa abordagem "round-robin" garantiu que nenhum método único dominasse a seleção, criando um conjunto compacto de pistas que era ao mesmo tempo diverso e gerenciável.
Com esse conjunto menor de quinze características em mãos, a equipe treinou sete tipos diferentes de programas de computador para detectar a fraude. Esses programas variavam de regras estatísticas simples a redes complexas e em camadas que mimetizam a forma como um cérebro processa informações. Eles testaram esses programas sob duas condições diferentes. Na primeira condição, os programas aprenderam com os dados exatamente como eles apareciam no mundo real, com a pequena fração de casos de fraude situada entre a vasta maioria de transações seguras. Na segunda condição, utilizaram uma técnica chamada SMOTE, que cria novos exemplos sintéticos de fraude ao misturar e combinar partes de casos de fraude existentes. Esse ato de equilíbrio artificial é um atalho comum usado por cientistas de dados, baseado na premissa de que dar ao computador mais exemplos do evento raro o ajudará a aprender a reconhecê-lo melhor.
Os resultados deste experimento foram claros e um tanto surpreendentes. Quando os pesquisadores testaram os programas em um novo conjunto de dados que os modelos nunca haviam visto, os programas treinados nos dados naturais e desequilibrados tiveram um desempenho melhor do que aqueles treinados nos dados artificialmente equilibrados. Isso se manteve válido para todos os tipos de programas testados. O melhor desempenho foi de um modelo chamado XGBoost, que alcançou uma pontuação alta de 0,826 quando treinado nos dados naturais, enquanto o modelo K-Nearest Neighbors atingiu uma pontuação ainda maior de 0,833. Em contrapartida, quando esses mesmos modelos foram treinados usando os exemplos sintéticos de fraude, seu desempenho caiu de forma generalizada. Mesmo que os pesquisadores tenham ajustado cuidadosamente o ponto de decisão para cada modelo para garantir uma comparação justa, os dados artificiais levaram consistentemente a resultados piores.
Este achado desafia uma crença de longa data no campo de que adicionar exemplos sintéticos é sempre um passo útil. O estudo sugere que, para este tipo específico de problema, com este tipo específico de dados, a distribuição natural das transações contém um sinal que os exemplos artificiais interrompem. Os programas de computador aprenderam a distinguir a fraude com mais precisão quando foram permitidos ver a verdadeira raridade do evento, em vez de serem forçados a tratar fraude e segurança como igualmente comuns. A pesquisa também confirmou que um conjunto pequeno e cuidadosamente escolhido de quinze características era suficiente para construir um detector poderoso, provando que não é necessário usar todas as informações disponíveis para encontrar a agulha no palheiro. Em última análise, o trabalho demonstra que, no mundo de alto risco da detecção de fraudes, às vezes a estratégia mais eficaz é confiar na realidade bruta dos dados, em vez de tentar projetar uma versão mais equilibrada deles.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.