RIFF: Regeln für die Betrugsdetektion aus Entscheidungsbäumen induzieren

Finanzielle Betrugsfälle verursachen jährlich Verluste im mehreren Milliardenbereich. Traditionell basieren Betrugsdetektionssysteme auf Regeln, da diese Transparenz und Interpretierbarkeit bieten – Schlüsseleigenschaften in Bereichen, in denen Entscheidungen erklärbar sein müssen. Allerdings erfordern Regel-Systeme erheblichen Aufwand durch Fachexperten zur Erstellung und Feinabstimmung. Dieses Problem versuchen Regelanlern-Algorithmen zu mildern, indem sie Regeln direkt aus Daten ableiten. Wir untersuchen die Anwendung solcher Algorithmen auf die Betrugsdetektion, bei der Regel-Systeme auf einen niedrigen Falsch-Positiv-Rate (FPR) oder Alarmrate beschränkt sind. Dazu stellen wir RIFF vor, einen Regelanlern-Algorithmus, der eine Regelmenge mit niedriger FPR direkt aus Entscheidungsbäumen ableitet. Unsere Experimente zeigen, dass die abgeleiteten Regeln oft die Leistung der ursprünglichen Modelle bei Aufgaben mit niedriger FPR beibehalten oder sogar verbessern, während gleichzeitig ihre Komplexität erheblich reduziert wird und sie Regeln, die von Experten manuell abgestimmt wurden, deutlich übertrifft.