Adversarial Machine Learning for Fraud Detection :Cclassication Task against Adaptive Adversaries
Room A008
La détection de la fraude par apprentissage automatique est de plus en plus confrontée au problème de l’adaptabilité des adversaires, qui sont de plus en plus capables de modifier leur comportement pour échapper aux modèles de classification. Cette adaptabilité peut rendre les données d’entraînement historiques moins représentatives des données en production, rendant les systèmes classiques moins efficaces.Dans cette présentation, nous nous intéressons à l’adversarial machine learning appliqué à la tâche de classification en détection de fraude, et en particulier aux stratégies de défense contre ces attaquants. Deux grandes familles de solutions se distinguent :
Les approches réactives, qui cherchent à remonter aux intentions initiales de l’adversaire, afin de mieux comprendre les motivations sous-jacentes et classer les comportements suspects, même lorsqu’ils sont dissimulés.
Les approches proactives, sur lesquelles porte mon travail, qui visent à anticiper l’évolution des attaques et à planifier efficacement le réentraînement du modèle pour maintenir sa pertinence.
Je présenterai ainsi un modèle proactif sur lequel je travaille actuellement, qui prend en compte plusieurs contraintes spécifiques de l’environnement de détection de fraude. Parmi ces contraintes, on retrouve : le déséquilibre des données, une caractéristique courante dans les scénarios de fraude où les exemples de transactions frauduleuses sont beaucoup plus rares que les transactions légitimes, et le besoin d’explicabilité pour garantir une transparence dans les décisions prises par le modèle, ce qui contraint les choix algorithmiques.
Pour répondre à ces défis, mon modèle se concentre sur la sélection des profils de fraude les plus prometteurs, ceux qui présentent un fort potentiel d’évolution. Cette approche permet d’orienter de manière ciblée l’entraînement du prochain classifieur, optimisant ainsi les ressources et améliorant l’efficacité de la détection face aux nouvelles menaces.
Back to top