Semantic Pareto-DQN: 금융 이상 탐지를 위한 다중 목표 강화학습 프레임워크

요약

본 논문은 극심한 클래스 불균형 문제를 겪는 금융 이상 탐지를 위해 다중 목표 강화학습 프레임워크인 Semantic Pareto-DQN을 제안합니다. 이 모델은 거래 특징을 LLM으로 인코딩된 자연어 서사로 변환하여 견고한 상태 표현을 만들고, 여러 벡터형 보상을 최적화함으로써 놓친 이상과 오탐지 사이의 균형을 동적으로 탐색합니다.

핵심 포인트

• 금융 이상 탐지의 클래스 불균형 문제를 해결하는 새로운 접근법 제시
• LLM을 활용하여 이질적인 거래 특징을 자연어 서사로 인코딩
• 다중 목표 강화학습으로 놓친 이상과 오탐지 비용의 균형 최적화
• E-Commerce 및 UCI 데이터셋에서 높은 소수 클래스 재현율 입증