[論文レビュー] Credit Card Fraud Detection Using Autoencoder Neural Network

Junyi Zou, Jinliang Zhang+1 more|arXiv (Cornell University)|Aug 30, 2019

Imbalanced Data Classification Techniques参考文献 8被引用数 16

ひとこと要約

本論文は、信用リスクの不均衡なデータを解消するため、少数クラスの不正取引を同時にオーバースマoothingし、トレーニングデータのノイズを低減するためのノイズ除去自己符号化器ニューラルネットワーク（DAE）を提案する。この手法は、ノイズに強い表現を学習することで少数クラスの分類精度を向上させるとともに、オーバースマoothingによるノイズの増幅を抑制し、従来の全結合ネットワークや標準的なDAEに比べ優れた性能を発揮する。

ABSTRACT

Imbalanced data classification problem has always been a popular topic in the field of machine learning research. In order to balance the samples between majority and minority class. Oversampling algorithm is used to synthesize new minority class samples, but it could bring in noise. Pointing to the noise problems, this paper proposed a denoising autoencoder neural network (DAE) algorithm which can not only oversample minority class sample through misclassification cost, but it can denoise and classify the sampled dataset. Through experiments, compared with the denoising autoencoder neural network (DAE) with oversampling process and traditional fully connected neural networks, the results showed the proposed algorithm improves the classification accuracy of minority class of imbalanced datasets.

研究の動機と目的

• 信用カード不正取引検出におけるクラス不均衡問題に対処すること。ここでは、不正取引が正常取引に比べて極めて稀である。
• 少数クラスの不正取引をバランスさせるために用いられる従来のオーバースマoothing技術がもたらすノイズを低減すること。
• 同時に少数サンプルのオーバースマoothingとトレーニングデータのノイズ除去を実行する統合的な深層学習フレームワークを構築すること。
• 誤分類コストを組み込んだノイズ除去自己符号化器を用いて、少数クラス（不正）取引の分類性能を向上させること。
• 不均衡データセット上で、提案手法を標準的なDAEおよび全結合ニューラルネットワークと比較して検証すること。

提案手法

• 提案手法は、少数クラスの不正サンプルの表現を改善するための誘導を受けるように、誤分類コスト項を含むノイズ除去自己符号化器（DAE）を用いる。
• トレーニング中に少数クラスに対して合成オーバースマoothingを適用するが、これをDAEフレームワーク内に統合することでノイズの増幅を最小限に抑える。
• DAEは、汚染された入力データからクリーンな入力データを再構築するように学習させ、ノイズに頼らない強固な特徴を学習する。
• 不正取引の誤分類に対するペナルティを高めるために、クラスウェイト付き損失関数を用いてモデルをファインチューニングする。
• 一般化性能の向上を図るため、ドロップアウトとバッチ正規化を組み合わせた深層エンコーダ・デコーダ構造を採用する。
• 最終的な分類器は、DAEが学習した特徴から導出され、エンド・ツー・エンドの不正検出を可能にする。

実験結果

リサーチクエスチョン

• RQ1 誤分類コストを組み込んだノイズ除去自己符号化器は、不均衡なデータセットにおける少数クラスの不正取引検出を改善できるか？
• RQ2 提案されたDAEベースの手法は、ノイズ低減および分類精度の観点で、標準的なオーバースマoothing技術と比べてどのように差をつけるか？
• RQ3 DAEフレームワーク内で表現学習とオーバースマoothingを同時に学習することは、分離されたオーバースマoothingと分類のアプローチよりも優れた性能をもたらすか？
• RQ4 DAEは、オーバースマoothing中に生成されるノイズの強い合成サンプルの影響をどの程度低減できるか？
• RQ5 本手法は、従来の全結合ニューラルネットワークに比べ、不均衡なデータにおける不正検出においてより効果的か？

主な発見

• 提案されたDAE手法は、従来の全結合ニューラルネットワークに比べ、少数（不正）クラスの分類精度が向上した。
• 別個のオーバースマoothingを用いる標準的なDAEよりも優れたロバストネスとノイズへの影響低減を示した。
• DAEフレームワーク内に誤分類コストを統合することで、不正取引に対するモデルの感受性が向上した。
• 自己符号化器のノイズ除去機能により、オーバースマoothingから生じるノイズの強い合成サンプルの影響が効果的に低減された。
• F1スコアおよびAUC-ROCの両方において少数クラスで一貫した改善が確認され、全体的な検出性能の向上が示された。
• 実験的結果から、表現学習とオーバースマoothingの共同最適化が、不均衡なクレジットカード不正検出データセットにおける優れた一般化性能をもたらすことが確認された。