ترجمه فارسی مقاله افزایش کیفیت داده ها از طریق خودآموزی در مورد داده های ریسک مالی نامتعادل

چکیده

In the financial risk domain, particularly in credit default prediction and fraud detection, accurate identification of high-risk class instances is paramount, as their occurrence can have significant economic implications. Although machine learning models have gained widespread adoption for risk prediction, their performance is often hindered by the scarcity and diversity of high-quality data. This limitation stems from factors in datasets such as small risk sample sizes, high labeling costs, and severe class imbalance, which impede the models’ ability to learn effectively and accurately forecast critical events. This study investigates data pre-processing techniques to enhance existing financial risk datasets by introducing TriEnhance, a straightforward technique that entails: (1) generating synthetic samples specifically tailored to the minority class, (2) filtering using binary feedback to refine samples, and (3) self-learning with pseudo-labels. Our experiments across six benchmark datasets reveal the efficacy of TriEnhance, with a notable focus on improving minority class calibration, a key factor for developing more robust financial risk prediction systems.

چکیده به فارسی (ترجمه ماشینی)

در حوزه ریسک مالی ، به ویژه در پیش بینی پیش فرض اعتبار و تشخیص کلاهبرداری ، شناسایی دقیق نمونه های کلاس پرخطر مهم است ، زیرا وقوع آنها می تواند پیامدهای اقتصادی قابل توجهی داشته باشد.اگرچه مدل های یادگیری ماشین برای پیش بینی خطر پذیرش گسترده ای به دست آورده اند ، اما عملکرد آنها اغلب با کمبود و تنوع داده های با کیفیت بالا مانع می شود.این محدودیت ناشی از عوامل موجود در مجموعه داده هایی مانند اندازه نمونه ریسک کوچک ، هزینه های برچسب زدن زیاد و عدم تعادل شدید کلاس است که مانع توانایی مدل ها در یادگیری مؤثر و دقیق پیش بینی وقایع مهم می شود.این مطالعه به بررسی تکنیک های پیش پردازش داده ها برای تقویت مجموعه داده های ریسک مالی موجود با معرفی Trienhance ، یک تکنیک ساده که مستلزم: (1) تولید نمونه های مصنوعی به طور خاص متناسب با کلاس اقلیت است ، (2) فیلتر با استفاده از بازخورد باینری برای اصلاح نمونه ها ، و (3) خودداری با برچسب های شبه.آزمایشات ما در شش مجموعه داده معیار ، اثربخشی Trienhance را نشان می دهد ، با تمرکز قابل توجه بر بهبود کالیبراسیون کلاس اقلیت ، یک عامل اصلی برای توسعه سیستم های پیش بینی خطر مالی قوی تر است.