Peneliti 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 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 dibandingkan baseline yang diskalakan pada dataset penipuan E-Commerce dan UCI Credit.
Kerangka ini menyediakan alternatif untuk mempertukarkan gesekan operasional terbatas dengan penemuan anomali keuangan tanpa menggunakan resampling data yang mendistorsi.