저자들은 Semantic Pareto-DQN을 제안했습니다. 이는 금융 이상 탐지의 극단적인 클래스 불균형과 "사기 붕괴"를 해결하도록 설계된 다목적 강화학습 프레임워크입니다. 이 시스템은 이종 트랜잭션 특징을 자연어 내러티브로 합성하고 대규모 언어 모델로 인코딩하여 견고한 상태 표현을 생성합니다.
- 금융 효율성, 운영 마찰, 의미 발견을 분리하는 벡터 보상 최적화.
- 누락된 이상과 거짓 양성의 비용을 동적으로 탐색하기 위해 연속적인 파레토 프론티어 매핑.
- 스칼라화된 베이스라인 대비 이커머스 사기 및 UCI Credit 데이터셋에서 소수 클래스 재현율 우수 달성.
이 접근 방식은 기본 데이터 분포를 왜곡하지 않으면서 이상 차단과 고객 마찰 간의 균형을 맞춤으로써 데이터 리샘플링의 대안을 제공합니다.