금융 이상 탐지는 극심한 클래스 불균형을 겪어, 기존의 단일 목표 알고리즘이 '사기 붕괴(fraud collapse)'를 보이며 다수 클래스로 기본 설정되어 이상 방지와 고객 마찰 간의 균형을 맞추는 데 실패합니다. 이러한 문제를 왜곡적인 데이터 리샘플링 없이 극복하기 위해, 우리는 다중 목표 강화학습 프레임워크인 Semantic Pareto-DQN을 제안합니다. 우리의 접근 방식은 이질적인 거래 특징들을 대규모 언어 모델(LLM)에 의해 인코딩되는 응집력 있는 자연어 서사로 합성하여, 견고하고 스케일 불변의 상태 표현을 생성합니다. 에이전트는 금융 효율성, 운영 마찰, 그리고 의미론적 발견을 명시적으로 분리하는 벡터형 보상을 최적화합니다. 연속적인 Pareto 프런티어를 매핑함으로써, 시스템은 놓친 이상과 오탐지(false positives) 사이의 비대칭 비용을 동적으로 탐색합니다. E-Commerce 사기 및 UCI 신용 데이터셋 전반에 걸친 경험적 평가는 semantic Pareto-DQN이 제로 리콜 트랩을 성공적으로 깨뜨림을 보여줍니다. 이는 스칼라화된 베이스라인 대비 우수한 소수 클래스 재현율(recall)을 달성하여, 금융 이상 발견을 위해 제한된 운영 마찰을 교환하는 대안을 제공합니다.