不均衡な金融不正検出のための適応的閾値最適化を備えたコスト考慮型ランダムフォレスト
Cost-sensitive random forest with adaptive threshold optimization for imbalanced financial fraud detection
金融取引不正検出におけるクラス不均衡と非対称な誤分類コストの問題に対処するため、コスト考慮型機械学習フレームワークが提案された。このフレームワークは、クラス重み付け学習により誤分類コストをモデル学習に組み込み、少数派の不正ケースに重要性を与える。さらに、デフォルトの確率閾値0.5ではなく、検証データを用いて期待誤分類コストを最小化するよう決定閾値を最適化する。この手法は、Credit Card Fraud DetectionデータセットとFinancial Fraud Predictionデータセットの2つの公開データセットで評価され、従来の機械学習ベースラインと比較された。Credit Card Fraud Detectionデータセットでは精度94.4%、再現率85.7%、F1スコア89.8%、Financial Fraud Predictionデータセットでは精度93.1%、再現率83.8%、F1スコア88.2%を達成した。適応的閾値戦略は、高い精度を維持しながら偽陰性予測を削減し、不正検出においてよりバランスの取れた意思決定戦略を提供することが示された。
- クラス重み付け学習と検証データによる決定閾値の最適化(デフォルト0.5からの変更)を組み合わせたコスト考慮型機械学習フレームワークが提案された
- Credit Card Fraud Detectionデータセットで精度94.4%・再現率85.7%・F1スコア89.8%を達成
- Financial Fraud Predictionデータセットで精度93.1%・再現率83.8%・F1スコア88.2%を達成
- 適応的閾値戦略により、高い精度を維持しつつ偽陰性予測を削減できることが公開2データセットで示された
不正検出は金融機関の基幹リスク管理であり、コスト考慮型学習と閾値最適化という地味だが実務直結の手法の改善は、不正対策ソフトのベンダーや金融機関の運用コスト削減に効く。ただし本記事は公開データセットでの学術的評価に留まり、商用導入事例や事業影響の数値は示されていない。投資判断としては、この種の研究がFDS製品の精度差別化要因になり得るかという観点で、実運用データでの検証結果や採用事例の有無を確認したい。