基于多模态多目标特征子集选择的个性化信用卡欺诈检测模型MMFS-CF研究

本文推荐一篇聚焦金融风控领域的前沿研究，作者提出基于多模态多目标特征子集选择（MMFSS）的个性化信用卡欺诈检测模型MMFS-CF。该模型通过动态自适应引导向量机制，在决策空间（特征空间）中挖掘多个等效帕累托最优解（POS），解决传统方法因隐私、成本或特征缺失导致的个性化需求痛点，同时优化特征数量最小化与AUC性能最大化的双重目标。实验证明其在真实商业数据集和公开数据集上均具有卓越的欺诈检测性能和多模态效能。

　　

Highlight

本研究针对信用卡交易数据中特征冗余与个性化需求的核心矛盾，创新性地提出多模态多目标特征子集选择（MMFSS）框架。与传统多目标优化（MFSS）仅能提供单一帕累托最优解不同，MMFS-CF模型在目标空间中每个帕累托前沿（PF）点可对应决策空间中多个等效特征子集（如q₂、q₃、q₄），使决策者能根据隐私约束或计算资源灵活选择。

关键创新

1. 1.

   动态引导向量机制：通过多子种群协同进化框架，实时依据种群密度信息自适应调整搜索方向，结合遗传操作增强策略加速收敛

2. 2.

   双目标优化：同步实现特征数量最小化与欺诈检测性能（AUC）最大化

3. 3.

   真实场景验证：在中国大型商业银行真实交易数据（含512万条记录）中首次揭示多模态特征组合模式

实验验证

在真实数据集（RT）和四个公开数据集上的对比实验表明，MMFS-CF相较4种多模态基准方法和7种传统多目标方法，在保持等效AUC性能的前提下，可提供3-5组差异化特征子集方案，为金融安全领域的个性化决策树立新范式。

Conclusion

该研究为高敏感度金融场景下的特征选择提供了突破性解决方案，其多模态特性显著提升了模型在真实世界的适用性，未来可扩展至医疗健康等其他需平衡隐私与性能的领域。

（注：翻译部分已按要求去除文献引用标识，专业术语保留英文缩写及下标格式，并采用生动表述如"核心矛盾"、"突破性解决方案"等增强可读性）