Em ambientes bancários de alta frequência, há um desafio crítico entre a detecção de fraudes com baixa latência e a explicabilidade regulatória exigida pelo GDPR. De acordo com informações do arXiv, modelos tradicionais enfrentam dificuldades com ataques ‘zero-day’ devido ao desequilíbrio extremo de classes e à falta de precedentes históricos.
Como o novo framework aborda o problema?
O estudo propõe um Framework Generativo de Duplo Caminho que separa a detecção de anomalias em tempo real do treinamento adversarial offline. A arquitetura utiliza um Variational Autoencoder (VAE) para estabelecer um espaço de transações legítimas com base no erro de reconstrução, garantindo uma latência de inferência inferior a 50ms. Em paralelo, um Wasserstein GAN com Penalidade de Gradiente (WGAN-GP) sintetiza cenários fraudulentos de alta entropia para testar os limites da detecção.
Quais são as inovações técnicas do sistema?
Para lidar com a não diferenciabilidade dos dados bancários discretos, como os Códigos de Categoria de Comerciante, o sistema integra um estimador Gumbel-Softmax. Além disso, um mecanismo de explicabilidade baseado em gatilho é introduzido, onde o SHAP (Shapley Additive Explanations) é ativado apenas para transações de alta incerteza, conciliando o custo computacional da XAI com os requisitos de processamento em tempo real.
“A arquitetura emprega um Variational Autoencoder (VAE) para estabelecer um legítimo espaço de transações com base no erro de reconstrução, garantindo uma latência de inferência inferior a 50ms.”
— Publicidade —Google AdSense • Slot in-article
Essa abordagem inovadora promete melhorar significativamente a capacidade dos bancos de detectar fraudes em tempo real, mantendo a conformidade com as exigências regulatórias.
Fonte original: arXiv
