연구자들은 금융 이상 탐지의 극심한 클래스 불균형과 "사기 붕괴"를 해결하도록 설계된 다목적 강화 학습 프레임워크인 Semantic Pareto-DQN을 제안합니다. 이 시스템은 거래 특징을 자연어 내러티브로 합성하여 대규모 언어 모델로 인코딩하고, 이를 통해 견고한 상태 표현을 생성합니다.

  • 금융 효율성, 운영 마찰, 의미적 발견을 분리하는 벡터 보상 최적화.
  • 누락된 이상과 위양성의 비용을 동적으로 탐색하기 위해 연속 파레토 프론티어 매핑.
  • E-Commerce 사기 및 UCI Credit 데이터셋에서 스칼라화된 베이스라인보다 소수 클래스 재현율 우수.

이 프레임워크는 왜곡된 데이터 리샘플링을 사용하지 않고 제한된 운영 마찰과 금융 이상 발견 간의 균형을 제공합니다.