IT
Abbinare le cronologie di pagamento aiuta i modelli di rischio con meno etichette
TRIDENT-Seq: Profile-Matched Prefix-Future Contrast for Label-Efficient Payment Risk Modeling · arXiv:2610.37365
In parole semplici
Le attività che gestiscono pagamenti hanno molte cronologie di transazioni, ma le etichette che confermano frodi e chargeback sono poche, arrivano in ritardo e variano da un’attività all’altra. TRIDENT-Seq è un modello che prima apprende da cronologie prive di etichette e poi si adatta a ciascuna attività usando le sue etichette di rischio.
Impara ad abbinare una parte iniziale della cronologia a un riepilogo di ciò che è successo dopo, confrontando cronologie con un livello generale di attività simile. Nei test offline condotti su tre attività, ha ottenuto risultati migliori del medesimo modello addestrato da zero su entrambe le misure riportate per la graduatoria del rischio, con entrambe le quote di etichette.
La ricerca
Le attività che gestiscono pagamenti possono raccogliere ampie cronologie di transazioni, ma aspettare mesi per le etichette che confermano frodi o chargeback; inoltre, ciascuna attività applica criteri di rischio propri.
Un modello può apprendere comportamenti utili da cronologie senza etichette evitando di affidarsi alle differenze più facili, come il volume o i tempi delle transazioni?
TRIDENT-Seq preaddestra un encoder condiviso delle cronologie di transazioni abbinando comportamenti futuri tra cronologie con un livello di attività simile, poi lo adatta alle etichette di rischio di ciascuna attività.
La domanda centrale è se le cronologie di transazioni senza etichette possano essere utili quando le etichette di rischio confermato sono poche e specifiche di ciascuna attività, senza lasciare che le differenze generali di attività dominino il preaddestramento.
Una cronologia può essere facile da distinguere solo in base al volume o ai tempi delle transazioni, anche se questi indizi non descrivono il comportamento che distingue un uso rischioso da uno legittimo.
TRIDENT-Seq abbina una cronologia iniziale a un riepilogo degli eventi successivi, scegliendo candidati con un livello di attività simile. Nei test offline ha ottenuto risultati più alti dell’addestramento da zero con architettura corrispondente sia sulla average precision sia sul risk recall in tutte e sei le combinazioni di attività e quota di etichette.
Il risultato su Wallet ha mostrato anche un risk recall più alto usando il 10% delle etichette rispetto all’addestramento da zero con tutte le etichette, con la stessa quota d’intervento dello 0,5% del traffico.
Il confronto offline usa un solo checkpoint preaddestrato e la average precision di Wallet varia molto tra le sessioni di fine-tuning. I risultati riguardano tre attività e la copertura storica valutata; per SME, il 76,91% del traffico di test non ha una cronologia utilizzabile dall’encoder.
Cosa mostrano le prove
- Molte cronologie, poche etichette
TRIDENT-Seq è un foundation model per le transazioni, progettato per valutare il rischio nei pagamenti. Affronta una difficoltà pratica legata ai dati: le attività accumulano molte transazioni, ma le etichette che confermano frodi e chargeback sono poche, arrivano in ritardo e dipendono dalla singola attività.
L’articolo individua anche un rischio nel preaddestramento: il modello potrebbe distinguere le cronologie in base al volume, agli importi o ai tempi delle transazioni senza apprendere schemi più fini nel comportamento di pagamento.
- Rendere più difficile trovare la continuazione
Il metodo Prefix–Future Contrast (PFC) addestra un encoder ad abbinare una parte più vecchia della cronologia delle transazioni a un riepilogo degli eventi successivi. Seleziona riepiloghi candidati con profili generali di attività simili, rendendo meno utile il volume, l’importo e la tempistica degli eventi per distinguere la continuazione corretta.
Anche la previsione dell’attività e la regolarizzazione della dispersione modellano l’output dell’encoder che ciascuna attività riutilizza in seguito.
- Confrontare sei combinazioni
Il confronto offline principale ha coperto tre attività di Ant International, con quote di etichette del 10% e del 100%. Rispetto alla stessa architettura di encoder e componente di valutazione del rischio addestrata da un’inizializzazione casuale, TRIDENT-Seq ha ottenuto una average precision e un risk recall più alti nello 0,5% del traffico con il punteggio più alto, in tutte e sei le combinazioni di attività e quota di etichette. Ogni risultato è la media di tre sessioni di fine-tuning per quella specifica combinazione.
- Esaminare i risultati di Wallet
Wallet illustra il risultato sull’efficienza nell’uso delle etichette: con il 10% delle etichette di addestramento, TRIDENT-Seq ha intercettato il 27,75% del rischio ponderato nel test nello 0,5% del traffico con il punteggio più alto, contro il 10,41% ottenuto addestrando da zero con tutte le etichette di Wallet.
L’ablazione dell’articolo ha inoltre rilevato un risk recall inferiore su Wallet quando PFC usava candidati casuali invece di candidati abbinati per attività generale. Gli autori lo interpretano come un indizio a favore di una scorciatoia basata sull’attività, precisando che il risk recall non rivela direttamente quali indizi abbia usato l’encoder.
- Estendere il confronto e definirne i limiti
L’articolo ha valutato il trasferimento preaddestrando il modello sulle cronologie di un’attività ed escludendo quelle dell’attività di destinazione. Per SME, adattato usando il 10% delle sue etichette, il preaddestramento basato solo su Shopping ha prodotto un risk recall dell’8,67% con una quota d’intervento dello 0,5%, contro il 4,67% senza preaddestramento.
Una valutazione online separata ha rilevato, nel periodo riportato, tassi di chargeback registrati e di perdite complessive del portafoglio inferiori per TRIDENT-Seq rispetto a XGB-AutoRefit. Questi risultati supportano il metodo nelle condizioni testate, con limiti legati alla copertura delle cronologie, al numero di checkpoint e all’ambito della valutazione.
Dettagli
- Autori del paper originale
- Weiyu Han, Haoyu Jiang, Jie Sheng, Ruobing Zuo, Huilin He
- Inviato ad arXiv
- Licenza
- CC BY 4.0