लेखकों ने Semantic Pareto-DQN प्रस्तावित किया है, जो एक बहु-उद्देश्य पुनर्बल सीखने (reinforcement learning) फ्रेमवर्क है जिसे वित्तीय असामान्यता पहचान में चरम वर्ग असंतुलन और "धोखाधड़ी पतन" को संबोधित करने के लिए डिज़ाइन किया गया है। सिस्टम विषम लेनदेन विशेषताओं को बड़े भाषा मॉडलों द्वारा एन्कोडेड प्राकृतिक-भाषा कथाओं में संश्लेषित करता है ताकि मजबूत राज्य प्रतिनिधित्व बनाए जा सकें।
- एक सदिश पुरस्कार को अनुकूलित करता है जो वित्तीय प्रभावकारिता, संचालनात्मक घर्षण और अर्थवैज्ञानिक खोज को अलग करता है।
- लगातार पैरेटो मोर्चे को मैप करता है ताकि छूटी हुई असामान्यताओं बनाम झूठे सकारात्मकों के खर्चों में गतिशील रूप से नेविगेट किया जा सके।
- E-Commerce fraud और UCI Credit डेटासेट पर स्केलाइज़्ड बेसलाइन्स की तुलना में अल्पसंख्यक वर्ग रिकॉल में श्रेष्ठता हासिल करता है।
यह दृष्टिकोण डेटा पुनर्नमूनाकरण का विकल्प प्रदान करता है, मूल डेटा वितरण को विकृत किए बिना, असामान्यता रोकथाम और ग्राहक घर्षण के बीच संतुलन बनाए रखते हुए।