Nov, 2023

寻找金融技术应用中双目标帕累托最优欺诈预防规则集

PDF
TL;DR在金融科技机构中，规则广泛用于欺诈预防决策。本文关注通过在初始规则池中找到高质量规则子集（如精确度和召回率），采用 Pareto 最优的概念，以找到一组非支配的规则子集，构成 Pareto 前沿。我们提出了一种名为 PORS 的基于启发式的框架，并确定了 PORS 的核心是前沿解选择问题。同时，我们对公开和专有数据集上的各种前沿解选择方法进行了系统分类和彻底的实证评估。我们还引入了一种名为 SpectralRules 的新颖的序列覆盖算法变体，鼓励初始规则集的多样性，并经实验证明 SpectralRules 进一步提高了找到的 Pareto 前沿的质量。在支付宝的两个实际应用场景中，我们展示了我们提出的方法与现有工作相比的优势。
fraud preventionrule subsetspareto optimalitysolution selectionsequential covering algorithm
发现论文，激发创造
  • 学习可解释的决策规则集：一种次模优化方法

    本文介绍了一种基于子模优化的学习规则集的方法，将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决，实验结果表明这种方法简单、可扩展且具有较好效果。

    Jun, 2022

  • 帕累托测试在有效控制多重风险方面的应用

    本文提出了一种多目标优化的方法 Pareto Testing，通过结合多目标优化和多假设检验，构建了一组有前途的 Pareto Frontier，并将统计检验应用于这个 Pareto Frontier，用以同时控制和优化各种准确性和成本指标，以此可靠地加快自然语言处理（NLP）应用中大规模 Transformer 模型的执行。

    Oct, 2022

  • 多样化的规则集

    该研究提出了一种新方法来推断不同的规则集，通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

    Jun, 2020

  • 多任务学习中高效的连续 Pareto 探索

    提出了一种新的、高效的方法，可以生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统，将多目标优化的理论结果扩展到现代机器学习问题中，并实现了局部 Pareto 集的分析。与现有算法相比，通过在各种多任务分类和回归问题上的应用，证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。

    Jun, 2020

  • 昂贵多目标优化的 Pareto 集学习

    本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

    Oct, 2022

  • 基于前景理论的人类决策规则设计与假设检验

    探测规则需要重新设计以适应行为智能体，本文采用前景理论模型研究了对特殊代理模型优化探测规则的不同方案，并且还展示了不同行为模型下人类智能体的决策规则与贝叶斯决策规则的偏差。

    Oct, 2016

  • 多类别分类的真正无序概率规则集

    本研究提出了 TURS 作为解决现有方法缺陷的方法，TURS 通过利用规则集的概率特性和开发两阶段启发式算法来学习无序规则集，并在实验中证明 TURS 相对于现有方法在解释性和预测性能方面均具有优势。

    Jun, 2022

  • FIRE：一种优化方法用于快速可解释规则提取

    该论文提出了 FIRE (快速可解释规则提取) 算法，通过优化框架从树集成模型中提取出易于理解的、稀疏的代表性决策规则集合，同时鼓励规则融合以提高模型可解释性，算法通过特殊优化器可实现 40 倍于现有优化器的性能。实验表明，该方法在构建稀疏规则集方面优于现有算法，并能提供比现有方法更可解释的模型。

    Jun, 2023

  • 确定增强治疗效果亚组的因果规则集

    文章介绍了一种基于机器学习的因果推断分析方法，使用生成模型 Causal Rule Sets (CRS) 进行可解释的子群发现，提供更灵活的模型选择，并在公共和实际数据集上进行了实验比较。

    Oct, 2017

  • 使用 Pareto 前沿熵的多目标 Bayesian 优化

    本研究提出一种基于熵的多目标贝叶斯优化方法（MBO），称为帕累托前沿熵搜索（PFES），该方法考虑到帕累托前沿的熵，通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系，并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。

    Jun, 2019