作者提出了 Semantic Pareto-DQN，这是一个多目标强化学习框架，旨在解决金融异常检测中的极端类别不平衡和“欺诈崩溃”问题。该系统将异构交易特征合成为由大型语言模型编码的自然语言叙述，以创建鲁棒的状态表示。
- 优化一个向量奖励，该奖励解耦了金融效能、操作摩擦和语义发现。
- 映射连续的帕累托前沿，以动态导航漏报异常与误报之间的成本。
- 在电子商务欺诈和 UCI Credit 数据集上，相比标量基线，实现了更优的少数类召回率。
这种方法提供了一种数据重采样的替代方案，在不扭曲底层数据分布的情况下，平衡异常拦截与客户摩擦。