Whitepaper
基礎リスクモデルの構築
不正検知モデルが読み取るのは、特徴量を並べたフラットなリストです。顧客の履歴は、モデルに入力される前に30日間の件数や平均値に集約する必要があり、そのたびに取引が発生した順序の情報が失われます。基盤モデルは、まさにその順序を読み取るために設計されています。
本ホワイトペーパーでは、不正ラベルを一切使用せずに、カード発行取引のシーケンスでTransformerを事前学習し、現在運用中の不正検知モデル向けの特徴量生成に活用した結果をまとめています。スコアリングモデル自体は変更していません。変えたのは、その入力です。
本書の内容：
- 5段階のパイプライン全体：カード取引をトークン化し、ラベルなしで事前学習を行い、すでに本番環境で稼働しているXGBoostモデル向けの2つの特徴量セットに変換した方法
- 数値で見る成果：AUC-PRが68%向上したこと、レビュー対象率0.05%～2%で追加検知できた不正の件数にそれがどう反映されたか、そして「サプライズスコア」がほとんど影響しなかった理由
- 事前学習から完全に除外したクライアントに対して、この表現がどのような性能を示したか、29%の改善、そしてその優位性がどの時点で失われたのか
- 埋め込み表現だけでは従来の特徴量より性能が劣る理由と、両者を組み合わせることで、それぞれを単独で用いる場合よりも高い性能が得られる理由
- このアプローチが今後うまく機能しないと予想される領域：加盟店データ、オンボーディング、そしてデータの構造がカード発行ポートフォリオと異なるあらゆる領域
送信
By submitting this form, you agree that Sardine may contact you about our products and services. For more information, review ourprivacy policy.