Para penulis mengusulkan Semantic Pareto-DQN, sebuah kerangka pembelajaran penguatan multi-tujuan yang dirancang untuk mengatasi ketidakseimbangan kelas ekstrem dan "keruntuhan penipuan" dalam deteksi anomali keuangan. Sistem ini mensintesis fitur transaksi heterogen menjadi narasi bahasa alami yang dienkripsi oleh model bahasa besar untuk membuat representasi keadaan yang kuat.
- Mengoptimalkan imbalan vektorial yang memisahkan efikasi keuangan, gesekan operasional, dan penemuan semantik.
- Memetakan garis depan Pareto kontinu untuk secara dinamis menavigasi biaya anomali yang terlewat versus positif palsu.
- Mencapai recall kelas minoritas yang unggul pada penipuan E-Commerce dan dataset UCI Credit dibandingkan dengan baseline yang diskalakan.
Pendekatan ini menyediakan alternatif terhadap resampling data dengan menyeimbangkan intersepsi anomali dengan gesekan pelanggan tanpa mendistorsi distribusi data yang mendasarinya.