Les chercheurs proposent Semantic Pareto-DQN, un cadre d'apprentissage par renforcement multi-objectif conçu pour traiter le déséquilibre extrême des classes et l'effondrement de la détection de fraude dans la détection d'anomalies financières. Le système synthétise les caractéristiques des transactions en récits en langage naturel encodés par des modèles de langage larges afin de créer des représentations d'état robustes.
- Optimise une récompense vectorielle qui découple l'efficacité financière, la friction opérationnelle et la découverte sémantique.
- Cartographie la frontière de Pareto continue pour naviguer dynamiquement entre les coûts des anomalies manquées et les faux positifs.
- Atteint un rappel supérieur pour la classe minoritaire par rapport aux références scalarisées sur les ensembles de données E-Commerce fraud et UCI Credit.
Le cadre offre une alternative au compromis d'une friction opérationnelle bornée pour la découverte d'anomalies financières sans utiliser de rééchantillonnage de données distorsif.