ES
Emparejar historiales de pago ayuda a aprender con menos etiquetas
TRIDENT-Seq: Profile-Matched Prefix-Future Contrast for Label-Efficient Payment Risk Modeling · arXiv:2610.37365
En palabras sencillas
Las empresas de pagos tienen muchos historiales de transacciones, pero las etiquetas de fraude y contracargos confirmados son escasas, llegan tarde y varían de una empresa a otra. TRIDENT-Seq es un modelo que primero aprende de historiales sin etiquetar y luego se adapta a cada empresa usando sus etiquetas de riesgo.
Aprende a emparejar una parte antigua de un historial con un resumen de lo que ocurrió después y compara historiales con niveles generales de actividad similares. En pruebas fuera de línea con tres empresas, obtuvo mejores resultados que el mismo modelo entrenado desde cero en las dos medidas de clasificación de riesgo informadas, con cada una de las dos proporciones de etiquetas.
La investigación
Las empresas de pagos pueden acumular grandes historiales de transacciones mientras esperan meses por etiquetas confirmadas de fraude o contracargos, y cada empresa tiene sus propios criterios de riesgo.
¿Puede un modelo aprender comportamientos útiles de historiales sin etiquetar sin depender de diferencias fáciles, como el volumen o la frecuencia de las transacciones?
TRIDENT-Seq preentrena un codificador compartido de historiales de transacciones emparejando comportamientos futuros entre historiales con actividad similar y luego lo adapta a las etiquetas de riesgo de cada negocio.
La pregunta central es si los historiales de transacciones sin etiquetar pueden ayudar cuando las etiquetas de riesgo confirmado son escasas y específicas de cada negocio, sin dejar que las diferencias generales de actividad dominen el preentrenamiento.
Un historial puede distinguirse fácilmente solo por su volumen o frecuencia, aunque esas señales no reflejen los comportamientos que separan el uso de pagos arriesgado del legítimo.
TRIDENT-Seq empareja un historial anterior con un resumen de lo que sigue, entre candidatos con actividad similar. En pruebas fuera de línea, obtuvo resultados superiores al entrenamiento desde cero con la misma arquitectura en precisión promedio y recuperación del riesgo en las seis combinaciones de negocio y proporción de etiquetas.
El resultado de Wallet también mostró mayor recuperación del riesgo con el 10 % de las etiquetas que con el entrenamiento desde cero y todas las etiquetas, bajo el mismo límite de intervención del 0,5 % del tráfico.
La comparación fuera de línea usa un único punto de control preentrenado, y la precisión promedio de Wallet varía mucho entre ejecuciones de ajuste fino.
Los resultados abarcan tres negocios y la cobertura histórica evaluada; en SME, el 76,91 % del tráfico de prueba no tiene historial que el codificador pueda usar.
Qué muestran las pruebas
- Muchos historiales, pocas etiquetas
TRIDENT-Seq es un modelo fundacional de transacciones para evaluar el riesgo de pago. Aborda una dificultad práctica con los datos: las empresas acumulan muchas transacciones, pero las etiquetas de fraude y contracargos confirmados son escasas, tardías y específicas de cada empresa.
El artículo también señala un riesgo del preentrenamiento: un modelo podría distinguir historiales por el volumen, el importe o el momento de las transacciones sin aprender patrones más sutiles del comportamiento de pago.
- Dificultar la predicción de lo que sigue
El método Prefix–Future Contrast (PFC) entrena un codificador para emparejar una parte antigua del historial de transacciones con un resumen de los eventos posteriores. Selecciona resúmenes candidatos con perfiles generales de actividad similares, de modo que el volumen, el importe y el momento de los eventos permitan distinguir menos la continuación correcta.
La predicción de actividad y la regularización de dispersión también moldean la salida del codificador que luego reutiliza cada negocio.
- Comparar seis condiciones
La comparación principal fuera de línea abarcó tres negocios de Ant International, con proporciones de etiquetas del 10 % y el 100 %.
Frente a la misma arquitectura de codificador y de capa de riesgo entrenada desde una inicialización aleatoria, TRIDENT-Seq tuvo mayor precisión promedio y mayor recuperación del riesgo dentro del 0,5 % del tráfico con mayor puntuación en las seis combinaciones de negocio y proporción de etiquetas. Cada resultado es un promedio de tres ejecuciones de ajuste fino para esa combinación.
- Interpretar los resultados de Wallet
Wallet ilustra el resultado de eficiencia de etiquetas: con el 10 % de sus etiquetas de entrenamiento, TRIDENT-Seq captó el 27,75 % del riesgo ponderado de prueba dentro del 0,5 % del tráfico con mayor puntuación, frente al 10,41 % del entrenamiento desde cero con todas las etiquetas de Wallet.
El estudio de ablación del artículo también encontró menor recuperación en Wallet cuando PFC usó candidatos aleatorios en vez de candidatos emparejados por actividad general. Los autores interpretan esto como evidencia de un atajo basado en la actividad, aunque señalan que la recuperación no revela directamente qué señales usó el codificador.
- Ampliar las pruebas y delimitar el alcance
El artículo probó la transferencia mediante el preentrenamiento con los historiales de un negocio y la exclusión de los historiales del negocio objetivo. Para SME, adaptado con el 10 % de sus etiquetas, el preentrenamiento solo con Shopping produjo una recuperación del riesgo del 8,67 % con un límite de intervención del 0,5 %, frente al 4,67 % sin preentrenamiento.
En una evaluación en línea aparte, las tasas registradas de contracargos y pérdidas totales de la cartera fueron menores con TRIDENT-Seq que con XGB-AutoRefit durante el período informado. Estos hallazgos respaldan el enfoque en las condiciones evaluadas, con límites relacionados con la cobertura de historiales, la cantidad de puntos de control y el alcance de la evaluación.
Detalles
- Autores del paper original
- Weiyu Han, Haoyu Jiang, Jie Sheng, Ruobing Zuo, Huilin He
- Enviado a arXiv
- Licencia
- CC BY 4.0