ترجمه فارسی مقاله ارزیابی انصاف در مدل‌های تقلب در تراکنش: معیارهای انصاف، حسابرسی تعصب و چالش‌ها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Evaluating Fairness in Transaction Fraud Models: Fairness Metrics, Bias Audits, and Challenges
عنوان مقاله به فارسی ارزیابی انصاف در مدل‌های تقلب در تراکنش: معیارهای انصاف، حسابرسی تعصب و چالش‌ها
نویسندگان Parameswaran Kamalaruban, Yulu Pi, Stuart Burrell, Eleanor Drage, Piotr Skalski, Jason Wong, David Sutton
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 6 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Ensuring fairness in transaction fraud detection models is vital due to the potential harms and legal implications of biased decision-making. Despite extensive research on algorithmic fairness, there is a notable gap in the study of bias in fraud detection models, mainly due to the field's unique challenges. These challenges include the need for fairness metrics that account for fraud data's imbalanced nature and the tradeoff between fraud protection and service quality. To address this gap, we present a comprehensive fairness evaluation of transaction fraud models using public synthetic datasets, marking the first algorithmic bias audit in this domain. Our findings reveal three critical insights: (1) Certain fairness metrics expose significant bias only after normalization, highlighting the impact of class imbalance. (2) Bias is significant in both service quality-related parity metrics and fraud protection-related parity metrics. (3) The fairness through unawareness approach, which involved removing sensitive attributes such as gender, does not improve bias mitigation within these datasets, likely due to the presence of correlated proxies. We also discuss socio-technical fairness-related challenges in transaction fraud models. These insights underscore the need for a nuanced approach to fairness in fraud detection, balancing protection and service quality, and moving beyond simple bias mitigation strategies. Future work must focus on refining fairness metrics and developing methods tailored to the unique complexities of the transaction fraud domain.

چکیده به فارسی (ترجمه ماشینی)

تضمین انصاف در مدل های تشخیص کلاهبرداری در معاملات به دلیل مضرات احتمالی و پیامدهای قانونی تصمیم گیری مغرضانه بسیار مهم است.علیرغم تحقیقات گسترده در مورد انصاف الگوریتمی ، شکاف قابل توجهی در مطالعه تعصب در مدل های تشخیص کلاهبرداری وجود دارد ، عمدتاً به دلیل چالش های منحصر به فرد این زمینه.این چالش ها شامل نیاز به معیارهای انصاف است که ماهیت نامتعادل داده های کلاهبرداری و تجارت بین حفاظت از کلاهبرداری و کیفیت خدمات را به خود اختصاص می دهد.برای پرداختن به این شکاف ، ما یک ارزیابی انصاف جامع از مدل های کلاهبرداری معاملات با استفاده از مجموعه داده های مصنوعی عمومی ارائه می دهیم ، و اولین حسابرسی تعصب الگوریتمی در این دامنه را نشان می دهیم.یافته های ما سه بینش مهم را نشان می دهد: (1) معیارهای انصاف خاص فقط پس از عادی سازی ، تعصب قابل توجهی را در معرض دید قرار می دهند و تأثیر عدم تعادل کلاس را برجسته می کنند.(2) تعصب در هر دو معیارهای برابری مربوط به کیفیت خدمات و معیارهای برابری مربوط به کلاهبرداری قابل توجه است.(3) انصاف از طریق رویکرد غافلگیرانه ، که شامل از بین بردن ویژگی های حساس مانند جنسیت است ، باعث کاهش کاهش تعصب در این مجموعه داده ها نمی شود ، احتمالاً به دلیل وجود پروکسی های همبسته.ما همچنین در مورد چالش های مربوط به انصاف اجتماعی و فنی در مدل های کلاهبرداری معاملات بحث می کنیم.این بینش ها بر نیاز به یک رویکرد ظریف برای انصاف در تشخیص کلاهبرداری ، تعادل حفاظت و کیفیت خدمات و فراتر از راهکارهای کاهش تعصب ساده تأکید می کنند.کار آینده باید بر پالایش معیارهای انصاف و توسعه روشهای متناسب با پیچیدگی های منحصر به فرد دامنه کلاهبرداری معامله متمرکز شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.