著者は、Semantic Pareto-DQNを提案しました。これは、金融異常検出における極端なクラス不均衡と「不正検知の崩壊」に対処するために設計された多目的強化学習フレームワークです。このシステムは、異種トランザクション特徴を自然言語のナラティブに合成し、大規模言語モデルによってエンコードして堅牢な状態表現を作成します。

  • 金融効果、運用摩擦、意味的発見を分離するベクトル報酬を最適化する。
  • 見逃し異常と誤検知のコストを動的にナビゲートするために連続的なパレートフロンティアをマッピングする。
  • スカラー化されたベースラインと比較して、E-Commerce不正およびUCI Creditデータセットで少数クラスの再現率において優位性を達成した。

このアプローチは、基礎となるデータ分布を歪めずに、異常の阻止と顧客摩擦のバランスを取ることで、データリサンプリングの代替手段を提供します。